EM algorithm and Bayes classifier
🏂Multivariate Statistics and Machine Learning 开始观看 🥕 EM算法 先来回顾一下log-likelihood functions for a GMM: ⛺完全数据的对数似然函数（Complete Data Log-Likelihood） 首先，假设我们有数据 X\mathbf{X}X 和隐藏的变量 y\mathbf{y}y，则完全数据的对数似然函数定义为： ℓ(θ∣X,y)=∑i=1nlogf(xi,yi∣θ)=∑i=1nlogπyiNd(xi∣μyi,Σyi)\ell(\theta|\mathbf{X}, \mathbf{y}) = \sum_{i=1}^{n} \log f(x_i, y_i|\theta) = \sum_{i=1}^{n} \log \pi_{y_i} N_d(x_i|\mu_{y_i}, \Sigma_{y_i}) ℓ(θ∣X,y)=i=1∑nlogf(xi,yi∣θ)=i=1∑nlogπyiNd(xi∣μyi,Σyi) 这个公式表示我们在已知每个数据点...
bayes hypothesis and artificial neural network
🏂Machine learning application 开始观看 🥕 Bayes hypothesis and Bayes noise 在机器学习中，监督学习的目标是从输入（也称为特征空间，记为X\mathcal{X}X）到输出（或标签空间，记为Y\mathcal{Y}Y）中找到一个映射关系，使得我们的预测与实际数据尽可能接近。我们假设数据是从某个分布 μZ\mu_ZμZ 中生成的，并且我们使用一个损失函数 LLL 来衡量预测与真实值之间的误差。 ⛺Bayes Hypothesis 🪐定义 为了找到最优的预测，我们需要找到一个能够最小化泛化误差 RRR 的函数（或模型）。这种“最优的”模型在这里称为 Bayes Hypothesis，记作 hBayesh^{\text{Bayes}}hBayes。它的定义如下： hBayes∈argminh:X→Y∫ZL(y,h(x))dμZ(x,y).h^{\text{Bayes}} \in \arg \min_{h : \mathcal{X} \rightarrow \mathcal{Y}} \int_Z L(y,...
Introduction to AI-Visual Odometry
Computer Vision 开始观看 Visual Odometry 什么是Visual Odometry Visual Odometry (VO) （视觉里程计）是一种技术，通过摄像头捕捉的图像来推测机器人的位置和方向。这个过程有点像我们走路时观察周围的物体来判断自己在移动的方向和距离。 为什么要用Visual Odometry？ 在自动导航中，我们希望机器人能知道自己在环境中的位置和方向。比如一辆自动驾驶汽车需要实时了解自己在马路上的位置，以避免偏离车道或撞上其他车辆。 Wheel Odometry 是通过轮子的转动来估算位置。 Wheel odometry 然而，Wheel Odometry 有很多限制，比如它容易受到地形影响（泥泞地面、打滑的地方）。 而 Visual Odometry 则利用摄像头的视觉信息，能够在这些不平稳的环境下更精确地估算位置。 Visual Odometry的工作原理 VO...
Introduction to AI-Feature Detection and Matching
Computer version 开始观看 Feature Detection and Matching 我们讲解这个Feature Detection and Matching概念的之前可以先介绍一下Computer version。 视觉传感器 视觉传感器是能够捕获视觉数据的设备，用于帮助人工智能系统观察并理解周围环境。视觉传感器会生成丰富的视觉观测数据，供AI进行分析，最终帮助其做出决策。AI在使用视觉传感器时，通常需要关注以下几个关键过程： 特征检测 (Feature Detection)： 特征检测是从传感器观察中提取关键信息的过程，比如检测图像中的边缘、角点或斑块。 这些特征可以用作后续识别和匹配的基础，帮助系统识别环境中的对象和场景。 识别 (Recognition)： 识别是给检测到的图像特征贴上标签的过程，使系统能够区分不同的对象，比如猫、狗、建筑物等。 这个过程可以帮助AI识别物体的类别和属性，从而做出更准确的决策。 重建...
