SUBJECT / generative-models
生成模型
概率建模、表征与生成。
01
课程章节
按难度与先修关系排列
- 01难度 2/5 · 详细大纲二分类判别将输入映射为两个类别的概率或得分，并用决策阈值和混淆矩阵评价结果。先修：logistic-regression · model-evaluation
- 02难度 3/5 · 详细大纲自编码器用编码器压缩输入并由解码器重建，学习受瓶颈或正则约束的表示。先修：perceptron-mlp · loss-functions · principal-component-analysis
- 03难度 4/5 · 详细大纲生成模型学习数据联合分布或生成过程，使模型能够采样、补全、重建并估计不确定性。先修：random-variables-distributions · maximum-likelihood-estimation · neural-network-optimization
- 04难度 4/5 · 详细大纲潜变量模型引入不可直接观测的随机变量解释数据结构，并通过边缘化连接隐变量与观测。先修：generative-models · joint-distributions · bayesian-inference
- 05难度 4/5 · 详细大纲自回归生成模型按变量顺序分解联合分布，通过逐步条件预测实现精确似然与序列采样。先修：generative-models · conditional-probability · sequence-modeling
- 06难度 5/5 · 详细大纲变分自编码器用可学习近似后验和重参数化梯度优化证据下界，形成连续潜在空间。先修：autoencoders · latent-variable-models · bayesian-inference
- 07难度 5/5 · 详细大纲生成对抗网络让生成器与判别器进行极小极大博弈，以隐式方式逼近数据分布。先修：generative-models · binary-classification · neural-network-optimization
- 08难度 5/5 · 详细大纲扩散模型学习逐步去除噪声的逆过程，从简单噪声分布生成高维数据样本。先修：generative-models · score-matching · markov-chains
- 09难度 5/5 · 详细大纲得分匹配学习对数密度关于数据的梯度，避免显式计算归一化常数并连接去噪目标。先修：gradient · continuous-distributions · generative-models
- 10难度 5/5 · 详细大纲归一化流用可逆变换和 Jacobian 行列式把简单密度映射为复杂密度，同时保留精确似然。先修：latent-variable-models · jacobian-matrix · determinants
- 11难度 5/5 · 详细大纲能量模型以未归一化能量函数为数据赋分，并通过采样或对比方法学习低能量区域。先修：generative-models · optimization-objectives · monte-carlo-methods