MCMC的應(yīng)用：

MCMC經(jīng)常被用來解決高維空間中的積分和優(yōu)化問題。這兩類問題在機(jī)器學(xué)習(xí)、物理、統(tǒng)計(jì)、計(jì)量經(jīng)濟(jì)學(xué)和決策分析中起著基礎(chǔ)性的作用。

以下只是一些例子：
（1）貝葉斯推理與學(xué)習(xí)；%例：動力學(xué)系統(tǒng)的參數(shù)估計(jì)（見筆記）
（2）統(tǒng)計(jì)力學(xué)；
（3）最優(yōu)化：在可行域很大(large number of possible configurations)時有效找到最優(yōu)解——RBM 優(yōu)化目標(biāo)函數(shù)中的問題；
（4）懲罰可能性模型的選擇：在眾多模型中快速找到更好的模型——MDL, BIC, AIC 模型選擇問題；

MCMC在物理系統(tǒng)的仿真中也起著基礎(chǔ)性的作用。這在核物理和計(jì)算機(jī)圖形學(xué)中具有重要意義。

2.1. 蒙特卡洛原理

思想起源：假設(shè)玩一局牌的贏的概率只取決于你抽到牌的組合情況，如果用窮舉的方法則有 52! 種情況，計(jì)算復(fù)雜度太大。而現(xiàn)實(shí)中的做法是先玩幾局試試，統(tǒng)計(jì)贏的概率，如果你不太確信這個概率，你可以盡可能多玩幾局，當(dāng)你玩的次數(shù)很大的時候，得到的概率就非常接近真實(shí)概率了。

上述方法可以估算隨機(jī)事件的概率，接下來內(nèi)容的重點(diǎn)是用Monte Carlo抽樣計(jì)算隨機(jī)變量的期望值：
X表示隨機(jī)變量，服從概率分布p(x)，那么要計(jì)算f(x)的期望，只需要不停從p(x)中抽樣。

</ 《新程序員》：云原生和全面數(shù)字化實(shí)踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的8. An Introduction to MCMC for Machine Learning (2)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。