Stanford CS229 Machine Learning | Spring 2026 | Lecture 5: Gaussian Discriminant Analysis

摘要

介紹高斯判別分析（GDA）與樸素貝斯等生成式模型，透過最大似然估計直接計算參數，無需梯度下降。學員將學習如何建模資料分佈與類別先驗，並理解生成模型與判別模型在決策邊界與訓練效率上的差異。

This lecture introduces generative models like Gaussian Discriminant Analysis and Naive Bayes, explaining how to estimate parameters via maximum likelihood without gradient descent.

摘要、重點與章節標題由語言模型整理，細節（誰說的、數字、先後）可能有誤；要引用請以原始內容為準。

重點

• 高斯判別分析透過最大似然估計直接求解參數，無需迭代最佳化。
• 生成式模型先學習每類別的資料分佈，再結合貝斯定理進行分類。
• 樸素貝斯假設特徵條件獨立，大幅降低參數數量並提升訓練速度。

章節

依話題轉折切分，標題由 AI 產生

1. 00:05GDA 簡介與生成式模型初探
2. 12:47共變異矩陣的數學性質與正定
3. 16:13高斯分佈的幾何直觀與旋轉縮放
4. 21:45共變異矩陣逆矩陣與條件獨立
5. 23:55GDA 假設：不同均值與共享共變異
6. 31:36GDA 參數學習：均值、先驗與共變異
7. 34:04最大似然估計與貝葉斯推導基礎
8. 37:22最大似然估計與拉普拉斯先驗
9. 44:51決策邊界與貝葉斯規則推導
10. 47:05高斯分佈下二次項消去過程
11. 57:57邏輯迴歸與生成模型的關係
12. 1:01:15邏輯迴歸作為通用分類器優勢
13. 1:11:27BERT 預訓練模型與分類器組合
14. 1:14:29離散特徵下的樸素貝葉斯分類

提到的工具與公司

• CS229

適合誰看

正在學習機器學習基礎理論、需要理解生成式模型原理與實作細節的學生或工程師。

摘要依據

依據

人工字幕

為什麼排在這裡

人氣

0.57

新鮮

0.78

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• Stanford CS229 Machine Learning | Spring 2026 | Lecture 10: GMM (EM), PCA影片 ・ Stanford Online ・ 1 小時 20 分（在新分頁開啟原站）
• Stanford CS229 Machine Learning | Spring 2026 | Lecture 18: GMM (EM), PCA影片 ・ Stanford Online ・ 1 小時 16 分（在新分頁開啟原站）
• MIT 6.S191 (2024): Deep Generative Modeling影片 ・ Alexander Amini ・ 56 分鐘（在新分頁開啟原站）