<aside> <img src="/icons/condense_yellow.svg" alt="/icons/condense_yellow.svg" width="40px" /> Python | C++ | 数学概率 | 双图 | 最大后验推理 | 线性纠错码 | 超图结构 | 无向图 | 算法 | 矩阵 | 里程计 | 全球导航卫星系统 | 空间机器人 | 姿态 | 航位

</aside>

🎯要点

🎯双图神经网络模型：最大后验推理和线性纠错码解码器 | 🎯重复结构和过约束问题超图推理模型 | 🎯无向图模型变量概率计算、和积消息传播图结构计算、隐马尔可夫模型图结构计算、矩阵图结构计算、图结构学习 | 🎯里程计和全球导航卫星系统空间机器人周身感应三维姿态图算法模型 | 🎯共轭梯度算法手机端行人轨迹(航位)预先推算图模型

📜图模型用例

📜Python和C++全球导航卫星系统和机器人姿态触觉感知二分图算法

🍪语言内容分比

pie title 语言分比
"C++":90
"Python":50
"Java":10

pie title 内容分比
"图模型":90
"数学":60
"概率":40
"图神经网络":30
"空间机器人姿态":40
"算法":50
"行人轨迹推算":30
"手机端移动轨迹计算模型":20

✂️梗概

🍇Python最大后验

在贝叶斯统计中，最大后验概率估计是未知量的估计，等于后验分布的众数。最大后验概率可用于根据经验数据获得未观测量的点估计。它与最大似然估计方法密切相关，但采用增强优化目标，该目标将先验分布（量化通过对相关事件的先验知识获得的额外信息）与想要估计的数量相结合。因此，最大后验概率估计可以看作是最大似然估计的正则化。

假设我们要根据观测值 $x$ 来估计未观测到的总体参数 $\theta$。令f为x的抽样分布，因此$f(x \mid \theta)$是当基础总体参数为$\theta$时$x$的概率。然后函数：

$$ \theta \mapsto f(x \mid \theta) $$

称为似然函数，估计为：

$$ \hat{\theta}_{ MLE }(x)=\arg \max f(x \mid \theta) $$

是 $\theta$ 的最大似然估计。

现在假设存在 $\theta$ 上的先验分布 g。这允许我们将 \theta 视为贝叶斯统计中的随机变量。我们可以使用贝叶斯定理计算 \theta 的后验分布：

$$ \theta \mapsto f(\theta \mid x)=\frac{f(x \mid \theta) g(\theta)}{\int_{\Theta} f(x \mid \vartheta) g(\vartheta) d \vartheta} $$

其中$g$是$\theta$的密度函数，$\Theta$是$g$的定义域。

然后，最大后验估计方法将 $\theta$ 估计为该随机变量的后验分布众数：