深度学习核心技术精讲100篇（二十一）-深入理解Dirichlet分布及过程
【摘要】
前言
Dirichlet分布（Dirichelt Distribution）和Dirichlet过程 （Dirichlet Process）广泛应用于信息检索、自然语言处理等领域，是理解主题模型的重要一步。而且它作为一种非参数模型（non-paramatric model），和参数模型一样有着越来越广泛的应用。
文本提供了一种对Di...
前言
Dirichlet分布（Dirichelt Distribution）和Dirichlet过程 （Dirichlet Process）广泛应用于信息检索、自然语言处理等领域，是理解主题模型的重要一步。而且它作为一种非参数模型（non-paramatric model），和参数模型一样有着越来越广泛的应用。
文本提供了一种对Dirichlet 过程的理解。本文适合了解高斯过程，对Dirichlet过程有一定了解，但又有些困惑的同学。希望读完这篇文章能进一步提升对Dirichlet的理解。
随机过程
粗略地说，随机过程是概率分布的扩展。我们一般讲概率分布，是有限维的随机变量的概率分布，而随机过程所研究的对象是无限维的。因此，也把随机过程所研究的对象称作随机函数。
随机变量之于概率分布，就像随机函数之于随机过程。
机器学习领域常见的随机过程有：Gaussian Process, Dirichlet Process, Beta Process, Gamma Process等等。
高斯过程
理解Dirichlet过程，可以类比高斯过程。高斯过程（GP）是定义在函数上的概率分布。
文章来源: wenyusuran.blog.csdn.net，作者：文宇肃然，版权归原作者所有，如需转载，请联系作者。
原文链接：wenyusuran.blog.csdn.net/article/details/107181843
【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
作者其他文章
评论（0）