课程内容
我有话说
1/1 期望最大化算法（EM）
讲解一类当观测数据不完整、藏有未知隐变量时，如何反向估计模型参数的经典迭代方法。文章用抛硬币的通俗例子讲清参数与隐变量互相依赖、必须交替推断的困境，再说明先猜参数、再估隐变量、然后回代更新并循环逼近似然极大值的整体思路。适合概率统计初学者理解其动机，读完能明白它在高斯混合、缺失数据等场景中为何不可或缺。
本课程以抛硬币估计概率为例讲解EM算法E步估后验、M步更新参数直至收敛的实现，解决隐变量参数估计问题，帮助提升统计建模思维。
讲解一类当观测数据不完整、藏有未知隐变量时，如何反向估计模型参数的经典迭代方法。文章用抛硬币的通俗例子讲清参数与隐变量互相依赖、必须交替推断的困境，再说明先猜参数、再估隐变量、然后回代更新并循环逼近似然极大值的整体思路。适合概率统计初学者理解其动机，读完能明白它在高斯混合、缺失数据等场景中为何不可或缺。
4 小时 21 分钟 本课程通过解释器、包管理与虚拟环境配置，讲解 Python 隔离环境搭建，解决多版本依赖冲突，帮助学习者搭建可复现开发环境。
推荐 8 小时 58 分钟 本课程通过Tkinter与朴素贝叶斯实战，讲解贝叶斯公式与邮件向量化训练，解决中文垃圾邮件识别，帮助学习者交付可分发桌面分类应用。
热门 3 小时 20 分钟 本课程以微博情感分类为例，讲解LLaMA-Factory数据准备到LoRA部署，解决小模型无指令遵循，帮助学习者大模型微调落地。