一些理论算法的学习资源推荐

学习一些经典的算法和理论毫无疑问是非常重要的，但又往往容易被忽视。其学习过程本就比较艰难，把所学整理成文章更是一件费心费力的事儿。这里记录一些自己在学习过程中遇到的好资源。

光流算法

文章：《光流Optical Flow介绍与OpenCV实现》
见解：很通俗，看了这篇文章你大概就知道光流是个什么东西了，当然，文章还附带了OpenCV的源码。如果需要进一步研究和使用，还需要查阅相关论文。文章概论做的很好，并没有对具体实现方法做仔细说明。此博客博主很牛，写过很多好文章哟。
文章：【算法分析】Lucas–Kanade光流算法
wiki: 光流法
这里有个简单的源码，大致看了一下：matlab练习程序（光流法）

卡尔曼滤波

A.形象了解
知乎问答：《如何用通俗的语言解释卡尔曼滤波器？》《如何通俗并尽可能详细解释卡尔曼滤波？》
WIKI: 卡尔曼滤波
B.深入理解
最重点推荐博文：卡尔曼滤波 – 从推导到应用(一)
知乎文章：《目标追踪之卡尔曼滤波》
【泡泡机器人好书一起读】机器人kalman教程（一）上 by 范泽轩
PDF:《用一小时、十分钟、一分钟和一句话阐释滤波（估计）》
C.实际应用进阶
这一部分没有找到很好的资料，也没有过多研究。
IMU+Camera: A Kalman Filter-Based Algorithm for IMU-Camera Calibration , 基于EKF的摄像机-IMU相对姿态标定方法
【泡泡机器人原创专栏-卡尔曼滤波器】LQR 的直观推导及简单应用

极大似然估计与EM算法

总的来说，极大似然估计就是利用已知的样本结果，反推最有可能（最大概率）导致这样结果的参数值，EM算法是解决含有隐变量的极大似然估计的算法。
A. 形象了解
可以看看知乎吧，最大似然估计和最小二乘法怎么理解？ ， 最小二乘、极大似然、梯度下降有何区别？ ， 最大似然估计和EM算法的关系是什么？
B. 深入理解及实例
推荐一些网络资源：【机器学习】EM算法详细推导和讲解 ， EM算法——最大期望算法 ， 【机器学习算法系列之一】EM算法实例分析
身边的书籍：周志华《机器学习》第7章里对这两个概念都有简单讲述，《统计学习方法》中第9章《EM算法及其推广》讲的很好

隐马尔可夫模型（HMM）

在自然语言处理领域，隐马尔可夫模型应该是及其重要且基础的了，在其他领域也有应用。算法整体感觉很美。这两天又回顾了一下，具体学习这一算法，参见：
A. 吴军的《数学之美》第5章 隐含马尔可夫模型 ，看他书至少能让你搞清楚至关重要的一点: 为什么要用它，以后碰到什么问题的时候你可能会想起来用它。
B. 李航的《统计学习方法》第10章 隐马尔可夫模型
C. 北大的PPT 隐马尔科夫模型 和 中科院自动化所(CASIA)的一个PPT 第6章 隐马尔可夫模型 ， PPT前几页都有对马尔可夫模型的介绍。
谈到隐马尔可夫，突然想提一下概率图模型PGM，大家可自行了解学习。

实现Opencv中findContours()函数功能的部分原理

Opencv中findContours()函数对于查找轮廓非常方便，可提供轮廓数、外轮廓、内轮廓等信息。没有看过源码，这里简单了解一下其部分原理。
A. 图像分析：二值图像连通域标记

拉格朗日乘子法的理解

知乎的拉格朗日乘子法如何理解？，里边几个回答都不错，结合着看。
WIKI 拉格朗日乘数 给了两个例子，可以自己算一算，加深理解。
周志华的《机器学习》P403页 拉格朗日乘子法

纳什均衡

简单介绍一下。
纳什均衡有个这样的前提：决策圈中的个体都是独立、不合作、不横向沟通的。然后每个个体在猜测决策圈里的其他人的选择后，作出自认为最优的策略。这就叫纳什均衡。
囚徒理论是证明“纳什均衡不代表整体最优决策”的一个浅显的例子。
参考：
百科纳什均衡
知乎怎样向非专业人士专业地解释「纳什均衡」？
三十分钟理解博弈论“纳什均衡” – Nash Equilibrium

受限玻尔兹曼机(Boltzmann机)

受限玻尔兹曼机基础教程
wiki 受限玻尔兹曼机
周志华的《机器学习》书 5.5.6节 Boltzmann机
Neural networks class