随机上下文无关文法
随機上下文无关文法（）即在上下文无关文法中，为每一个产生式规则赋予一个概率，标示应用一个产生式规则的可能性。 参见 上下文有关文法 形式文法 * 分析表达式文法
标签：#概率模型
共 7 篇文章
概率编程
概率编程（PP：Probabilistic programming）是一种编程范型，在其中指定了概率模型并自动进行这些模型的推断。它代表了统一概率模型和传统通用编程的一种尝试，使前者更加容易并更广泛的应用。它可以用于建立系统帮助在面对不确定时作出决定。 用于概率编程的编程语言被称为“概率编程语言”（PPL）。 应用 概率推理已经广泛用于各种任务，比如预测股价、推荐电影、诊断计算机、检测网络入侵和图像检查。但是（部份由于计算能力的限制），…
隐含狄利克雷分布
隐含狄利克雷分布（，简称LDA），是一种主题模型，它可以将文档集中每篇文档的主题按照概率分布的形式给出。同时它是一种无监督学习算法，在训练时不需要手工标注的训练集，需要的仅仅是文档集以及指定主题的数量k即可。此外LDA的另一个优点则是，对于每一个主题均可找出一些词语来描述它。 LDA首先由 David M. Blei、吴恩达和迈克尔·I·乔丹于2003年提出，目前在文本挖掘领域包括文本主题识别、文本分类以及文本相似度计算方面都有应用。 …
基于流的生成模型
基于流的生成模型（）是机器学习中的一类生成模型，利用归一化流（）显式建模概率分布。这是一种使用概率密度变量变换法将简单分布转换为复杂分布的统计方法。 直接建模似然函数具有很多优点。例如，可以直接计算得到负对数似然并将其作为损失函数最小化。此外，通过从初始分布中采样并应用流变换可以生成新的样本。 相比之下，变分自编码器、生成对抗网络等其他生成模型无法显式地表示似然函数。 方法 考虑随机变量z_1和z_0，其中z_0 = f^{-1}_1(…
卷積深度信念網絡
在計算機科學中，卷積深度信念網絡（；CDBN）是一種深度人工神經網絡，由多層卷積受限玻爾茲曼機堆疊在一起組成。它是一種用於深度學習的分層生成模型，在圖像處理和方面非常有效，另外也被用於其他領域。該模型的顯著特徵包括它可以很好地縮放到高維圖像並且是平移不變的。卷積深度信念網絡使用概率最大池化技術來減少網絡中較高層的維度。網絡的訓練涉及以貪婪的分層方式完成的預訓練階段，類似於其他。根據網絡是用於識別任務還是生成任務，然後對其進行「微調」或分…
邁爾定理
在數論上，邁爾定理（Maier's theorem）是一個關於短區間內的質數數量的定理。而該定理指出克拉梅爾的質數機率模型給出的猜測是錯的。 該定理指稱若是素數計數函數，而是一個大於1的數，那麼下式在趨近於無限時發散： :\frac{\pi(x+(\log x)^\lambda)-\pi(x)}{(\log x)^{\lambda-1}} 更精確地講，上式的上極限大於1，下極限小於1；而在利用波萊爾-坎泰利引理的狀況下，克拉梅爾的質數模…
現象學模型
現象學模型是一種與現有科學理論一致且能夠描述各種現象之經驗關係，卻又無法直接從相關理論推得的科學模型。也就是說，現象學模型並不能直接由第一原理所推得。現象學模型並不能解釋諸多物理量之間的互動關係，而僅僅只能用以描述——那些實驗數據所無法解釋的——關係本身。迴歸分析通常被用以建立作為現象學模型的概率模型。 範例 雖然許多無法直接從理論推得的現象學模型都能夠搭配現有科學理論以解釋現象，但現象學模型通常仍被視為獨立於科學定律的模型。例如，原子…