老孟 
你将学会
- 理解 EM 处理含隐变量、不完整数据的估计思路
- 掌握 E 步估后验、M 步更新参数的迭代逻辑
- 明确其对初值敏感、可能陷入局部最优的局限
- 建立含隐变量概率模型参数估计的思维框架
本课程以抛硬币估计概率为例讲解EM算法E步估后验、M步更新参数直至收敛的实现，解决隐变量参数估计问题，帮助提升统计建模思维。
讲解一类当观测数据不完整、藏有未知隐变量时，如何反向估计模型参数的经典迭代方法。文章用抛硬币的通俗例子讲清参数与隐变量互相依赖、必须交替推断的困境，再说明先猜参数、再估隐变量、然后回代更新并循环逼近似然极大值的整体思路。适合概率统计初学者理解其动机，读完能明白它在高斯混合、缺失数据等场景中为何不可或缺。
42 分钟
本课程通过向量编码与余弦相似度计算，讲解零样本文本分类原理，解决无标注下动态标签与多标签分类，帮助学习者搭建文本分类器。
1 小时 17 分钟
本课程通过对象序列化与多核并行实战讲解 joblib，解决大数组持久化与重复计算，帮助学习者存取对象与并行任务。
37 分钟
本课程经Softmax瓶颈分析与Huffman树推导，讲解层次Softmax加速原理，解决大词表计算过大，帮助理解概率优化思路。
冀公网安备13050302001966号