Dieser Audiobeitrag wird von der Universität Erlangen-Nürnberg präsentiert.

Ich habe euch gesagt, dass wir zwischen parametrischen und nonparametrischen Densitätsestimationen

befinden werden.

Wir haben mit Parametrischen Densitätsestimationen angefangen und in der einen Seite

haben wir in der ersten Seite die Maximum-Liklet-Estimation besprochen.

Die zweite Art parametrische Densitätsestimation, die in Pattern-Rekognitionen

die Maximum-Apostiore-Estimation,

PDF-Estimation, und die Idee geht so aus.

Ich muss sagen, dass dies nicht in einer hohen Grenze in einer bestimmten

Kontrolle verwendet werden kann.

Lassen wir once wieder Theta die Parameter-Vektor sein.

Wir bezeichnen die Parameter-Vektor, die anders ist als die Maximum-Liklet-Apostiore.

Wir bezeichnen auch die Parameter-Vektor als eine randome Variante.

Das bedeutet, dass wir mit der Parameter-Vektor-Apostiore eine Parametriertensitze

mit der Parametriertensitze PDF bezeichnen.

Das wird in ein paar Sekunden klar werden, wenn ihr es nicht versteht.

Lassen wir Theta eine randome Vektor sein,

unterliegen der PDF P von Theta.

Was bedeutet das?

Ich möchte Sie immer mit einer Art von Intuition entwickeln,

was wir hier in Bezug auf tun.

Schauen Sie sich die Folgen an.

Erlauben Sie, dass wir ein anderes Set von Beobachtungen haben.

Gehen Sie in eine Hochschule und schauen Sie sich die Gräser,

die jeder Klasse in der Mathematik bekommt.

Dann können Sie die Anzahl von Klasse 5a, 5b, 5c, 6a, 6b, 6c kompüten.

Dann können Sie für die gesamte Hochschule

verschiedene Gräser für jede Klasse kompüten.

Dann können Sie die Frage stellen, was das Ziel des Ziels ist.

Was ist das Ziel der gesamten Klasse in der Schule?

Dann können Sie die Anzahl von Klasse 5a, 5b, 5c, 6a, 6b, 6c kompüten.

Dann können Sie die Frage stellen, was das Ziel des Ziels ist.

Was ist das Ziel des Ziels?

Das Ziel ist, dass es eine Anzahl von Klasse 5a, 5b, 5c, 6a, 6b, 6b, 6b kompüten.

Das Ziel ist, dass es eine Anzahl von Klasse 5a, 5b, 5c, 6b, 6b kompüten.

Zum Beispiel,

die Anzahl von Klasse 5a, 5b, 5c, 6b, 6b kompüten,

von Klasse 5a bis Klasse 5a,

die Anzahl davon beiden Klasse 5b,

Das sieht so aus, wie zum Beispiel hier, das ist der estimierte Mindestwert, und dann

gibt es einen PDF für den Parameter, den Sie estimieren wollen.

Also wir gehen einen Meter hoch über das ganze Szenario und beachten den Parameter der

Densitätsfunktion, den wir auch als randomes Bewert estimieren wollen.

Für verschiedene Training-Sets bekommen wir verschiedene Estimaten, wenn wir eine Maximale

Likelihood Estimation haben, und wir wollen diese PDF für die Parameter-Estimation

danach nutzen.

Das ist genau in Maximum Apostolli, eine Probabilität-Estimation.

Also der MAP-Estimator macht das Folgende.

Der ML-Estimator nimmt alle Samplen, setzt alle Samplen auf, um städtisch

einzigartig zu sein, und dann kompüren wir die Produktprobabilität oder Produkt-PDF