Ruby是一种解释型的方便快捷的面向对象脚本语言，它是日本的Yukihiro Matsumoto(人们都叫他Matz.)于1993年2月24日首次发布的。它从Perl, Eiffel那里吸收了很多特性, 使之很适合用来文本文件处理和进行系统管理任务，并且完全面向对象。它的语法简单明快，可扩展并且可以跨平台。Ruby是完全自由开放的，意思是我们不仅 可以免费得到，而且可以自由地使用、复制、修改和分发
转载
2023-09-20 15:47:48
66阅读
EM是我最近想深入学习的算法，在Mitchell的书中也提到EM可以用于贝叶斯网络中。下面主要介绍EM的整个推导过程。1. Jensen不等式 回顾优化理论中的一些概念。设f是定义域为实数的函数，如果对于所有的实数x，，那么f是凸函数。
翻译
精选
2013-12-04 10:11:07
561阅读
点赞
定的（），那么f...
转载
2014-09-18 17:01:00
249阅读
2评论
EM是我一直想深入学习的算法之一，第一次听说是在NLP课中的HMM那一节，为了解决HMM的参数估计问题，使用了EM算法。在之后的MT中的词对齐中也用到了。在Mitchell的书中也提到EM可以用于贝叶斯网络中。
下面主要介绍EM的整个推导过程。
1. Jensen不等式
回顾优化理论中的一些概念。设f是定义域为实数的函数，如果对于所有的实数x，，那么f是凸函数。当x是向量时，如果
转载
2016-04-28 16:26:00
342阅读
2评论
https://www.runoob.com/ruby/ruby-intro.html
原创
2021-07-18 14:05:59
853阅读
但是可以花时间整理下，以使初学者能够更方便的学习EM算法。下面是我整合在网上找到的其他人的文章，算是一个简单的总结吧！描述：EM是一种基于模型的聚类算法，假设样本符合高斯混合模型,算法的目的是确定各个高斯部件之间的参数，充分拟合给定数据，并得到一个模糊聚类，即每个样本以不同概率属于每个高斯分布，概率数值将由以上个参数获得。 &n
转载
2024-02-27 14:07:44
113阅读
先估计概率分布 根据概率分布，确定当前数据的类别 根据现有数据去更新分布 重复第2步，直到收敛
转载
2021-01-03 00:09:00
136阅读
2评论
经过粗略的看 Ruby 相关资源，看到了很多相似或相异却熟悉的点滴，还谈不上深刻体验，只能算记录。仍需用心探索，决定高层建筑需要夯实基础，理解原理，体会设计。前言分享两个有趣的链接
TryRuby：顾名思义，试试先。
Ruby.new：好看的皮囊千篇一律，有趣的灵魂万里挑一。迭代器先不厌其烦的记录下基础知识，闲话少叙。谈及迭代器（iteration），少不了谈到相似结构——循环（looping）。
转载
2023-11-06 19:59:45
207阅读
Ruby，一种简单快捷的面向对象（面向对象程序设计）脚本语言，在20世纪90年代由日本人松本行弘(Yukihiro Matsumoto)开发，遵守GPL协议和Ruby License。它的灵感与特性来自于 Perl、Smalltalk、Eiffel、Ada以及 Lisp 语言。由 Ruby 语言本身还发展出了JRuby（Java平台）、IronRuby（.NET平台）等其他平台的 Ruby 语言替
转载
2023-08-07 22:02:33
187阅读
1. 同步和异步的区别： 2. px和em的区别[1]px和em都是长度单位，区别是，px的值是固定的，指定是多少就是多少，计算比较容易。em得值不是固定的，并且em会继承父级元素的字体大小。 浏览器的默认字体高都是16px。所以未经调整的浏览器都符合: 1em=16px。那么12px=0.75em, 10px=0.625em3. 对MVC、MVP、MVVM的理解 MVC(Model View
转载
2024-05-09 09:41:26
70阅读
EM是我一直想深入学习的算法之一，第一次听说是在NLP课中的HMM那一节，为了解决HMM的参数估计问题，使用了EM算法。在之后的MT中的词对齐中也用到了。在Mitchell的书中也提到EM可以用于贝叶斯网络中。下面主要介绍EM的整个推导过程。1. Jensen不等式 回顾优化
转载
2024-05-07 21:49:32
62阅读
看了很多文章，对这个概念总是理解的模模糊糊，今天把它摘抄并写出来，加深一下理解。EM算法，全称是Expectation maximization，期望最大化。摘抄了两位知乎大牛的解释—— 先来看看为什么需要EM算法以下是某知乎大牛的解释： 1 为什么需要EM算法？ 我们遇到的大多数问题是这样的： A、已知一堆观测数据X B、和数据服从的统计模型然后利用数据来估计统计模型中的参数解决这个问题的思
转载
2024-04-24 15:41:05
138阅读
EMI——攻击力 EMI(Electro Magnetic Interference)直译是“电磁干扰”，是指电子设备(干扰源)通过电磁波对其他电子设备产生干扰的现象。例如当我们看电视的时候，旁边有人使用电吹风或电剃须刀之类的家用电器，电视屏幕上会出现的雪花噪点；电饭锅煮不熟米饭；关闭了的空调会自行启动……这些都是常见的电磁干扰现象。更为严重的是，如果电磁干扰信号妨碍了正在监视病情的医疗电子设备
EMC（Electro Magnetic Compatibility，电磁兼容）是指电子、电气设备或系统在预期的电磁环境中，按设计要求正常工作的能力。它是电子、电气设备或系统的一种重要的技术性能，其包括三方面的含义：目录（1）EMI（Electro Magnetic Interference，电磁干扰）：（2）EMS（Electro Magnetic Susceptibility，电磁抗扰度）：（
前言：想学习一些统计学的知识，所以想把自己学习的过程记录下来，希望自己能够坚持下来。也非常希望能够在CSDN找到小伙伴一起学习，监督，共同成长。EM算法和高斯混合模型学习一、EM算法的引入EM（expectation maximization）算法在李航的书《统计学习方法》中的定义如下：EM是一种迭代算法，用于含有隐变量的概率模型参数的极大似然估计，或者极大后验概率的估计。（对于这个概率模型的极大
转载
2024-08-01 16:00:14
143阅读
EM算法——期望极大值算法1. EM算法的简介及案例介绍2. EM算法的推导3. EM算法3.1 算法步骤：3.2 EM算法的收敛性4. EM算法应用——求解高斯混合模型(GMM)的参数4.1 高斯混合模型(Gaussian mixture model,GMM)4.2 EM算法估计高斯混合模型的参数5.EM算法的推广——广义期望极大算法(GEM) 本文内容主体是基于李航老师的《统计学习方法
转载
2024-08-12 20:28:10
51阅读
EM算法简述 EM算法是一种迭代算法，主要用于含有隐变量的概率模型参数的极大似然估计，或极大后验概率估计。EM算法的每次迭代由两步完成：E步，求期望M步，求极大。EM算法的引入如果概率模型的变量都是观测变量，那么给定数据，可以直接用极大似然估计法或贝叶斯估计法估计模型参数，但是当模型中含有隐变量时，就不能简单地使用这些估计方法。因此提出了EM算法。EM算法流程假定集合 由观测数据 和未观测数据 组
转载
2024-05-20 15:34:00
130阅读
1. if1.1 格式：if conditional [then]
code...
[elsif conditional [then]
code...]...
[else
code...]
endif 表达式用于条件执行。值 false 和 nil 为假，其他值都为真。请注意，Ruby 使用 elsif，不是使
转载
2023-06-09 15:09:07
235阅读
一：ruby重要特点
Ruby是解释型语言。（提高了调试速度，执行效率低）
变量没有类型 （错误检查功能也变弱了）
所有变量均无需声明即可使用
语法比较简单，类似 Algol
具有自动垃圾回收机制（能自动回收不再使用的对象）
纯粹的面向对象语言，基本的类型都是对象
迭代器功能可以将循环抽象化，使得代码更加简介
强大的字符串操作功能，和正则表
转载
2023-08-27 21:22:33
153阅读
第三部分 内建类和内建模块第九章 内建类和内建模块基础知识一、Ruby 的字面构造器Ruby 有很多内建类，它们中的大多数可以用 new 来实例化str = String.newarr = Array.new有些则不可以，比如，不可以创建 Integer 类的新实例。此外，有一部分幸运的内建类还有字面构造器，这意味着可以用特别的记法来创建这些类的对象，而不调用 new。比如：对于 String.n
转载
2023-10-22 15:21:04
104阅读
