ACADEMIC WORKSPACE
Good to see you, KUZ.
POWERED BYJING TIANYANG
进度已自动保存 TODAY'S FOCUSEE6497
EE6497
Pattern Recognition & Machine Learning
建议从 01 · Probabilistic View 继续。先建立直觉，再记忆英文术语，最后用章节测验检验理解。
0%OVERALL
中英双语记忆
即时解析反馈
CONCEPT FIRST
EE6497 知识地图
按依赖关系从左到右推进；完成节点后，整条路线会逐步点亮。
0/5章节完成
01Probability basics
Probabilistic View
概率建模视角
把分类和预测理解为在不确定性下推断 hidden causes。
KEY IDEA模型由随机变量、概率分布和条件依赖共同构成。
02Conditional probability
Bayesian Inference
贝叶斯推断
用 prior 与 likelihood 更新为 posterior，并理解 evidence 的归一化作用。
KEY IDEAPosterior ∝ Likelihood × Prior。
03Posterior
Prediction & Decision
预测与贝叶斯决策
从后验概率走向实际决策，并用 loss function 表达错误代价。
KEY IDEA最高后验类别只在不同错误代价相同等条件下自然成立。
04Probability model
Mixture Models
混合模型
用多个简单分布的加权组合描述多峰数据，并引入 latent variable。
KEY IDEA每个样本来自哪个 component 是看不见的隐变量。
05Latent variables
Expectation–Maximization
EM 算法
E-step 估计隐变量责任度，M-step 在此基础上更新参数，交替迭代。
KEY IDEAE-step 补充软标签；M-step 用软标签重新拟合模型。
ACTIVE RECALL
把“看懂”变成“会做”
EE6497 · 通过主动回忆巩固英文考试表达。
Q1NOT ANSWERED
贝叶斯公式中的 posterior 与哪些量成正比？
Q2NOT ANSWERED
Gaussian Mixture Model 中 component label 通常是什么？
Q3NOT ANSWERED