Coursera 《Probabilistic Graphical Models 3: Learning》

编程作业四连蒙带猜才爬行至最后
有很多地方要前后参照，譬如说M-step中计算M[S', s]的方法写在了E-step那一段中
还有些地方特别细小，譬如在HMM中，只有第一个状态要乘以先验概率（P.c）

作业还有些许地方讲得不清楚，特别是EM_HMM及之后的内容，翻了好久论坛才知道“计算log likelihood是把每个姿势的隐含状态，应该是对clique tree中的factor进行边缘化，得到这个姿势的log likelihood，再把它们通通加起来”，但是具体的计算还是绕了几个弯才“凑”出答案  :((((
譬如说，在校正clique tree的时候，得手工加了一个1e-20的“smoothing项”，不然会数值爆炸，不清楚是不是因为是Octave与Matlab的差异的原因；
又譬如说，在计算最后的log likelihood和计算sufficient statistics的时候喂给Clique Tree程序的Emission Probability一个是标准化过的，一个是没标准化过的，因为只有标准化过的才能得出ClassProb，只有没标准化过后的才能得到log likelihood，这和讨论区中的人说的好像也不一样
总之，这个课我是能力不够做不到一遍过又融会贯通能达到学以致用的程度的了…    ：（

貌似接下来就再没有编程作业了…就只有final exam了…诶嘿嘿…

刚结束第一周，觉得有难度，一个quiz习题手工计算了很久，才得到正确的答案。
楼主很厉害