机器学习中常见的字母解析及MarkDown代码

　　在机器学习中，有很多符号，下面介绍这些符号的含义，以及它对应的MarkDown代码。
　　1. 实数集$R$

$R$

　　2.n维空间向量，n维欧式空间, $R^n$

$R^n$

　　3. 输入空间 $X$ ,输出空间$Y$
　　 或者输入空间 $\mathcal{X}$, 输出空间 $\mathcal{Y}$

$X$
$Y$
$\mathcal{X} $
$\mathcal{Y} $

　　4. 输入，实例$x \in \mathcal{X}$； 输出，标记$y \in \mathcal{Y}$

$x \in X$
$y \in Y$
$x \in \mathcal{X} $
$y \in \mathcal{Y} $ 

　　5.训练数据集$T={(x_1,y_1),(x_2,y_2),...,(x_N,y_N)}$

$T={(x_1,y_1),(x_2,y_2),...,(x_N,y_N)}$

　　6.样本容量$N$

$N$

　　7.第$i$个训练数据点$(x_i,y_i)$　　

$(x_i,y_i)$

　　8.输入向量，$n$维实数向量 $x=(x^{(1)},x^{(2)},...,x^{(n)})^T$

$x=(x^{(1)},x^{(2)},...,x^{(n)})^T$

　　9.输入向量$x_i$的第$j$分量: $x_i^{(j)}$

 $x_i^{(j)}$

　　10.概率分布 $P(X),P(Y)$

$P(X),P(Y)$

　　11.联合概率分布 $P(X,Y)$

$P(X,Y)$

　　12.假设空间 $F$

$F$

　　13.模型，特征函数 $f \in F$

$f \in F$

　　14.模型参数 $\theta,w$

$\theta,w$

　　15.权值向量$w=(w_1,w_2,...,w_n)^T$

$w=(w_1,w_2,...,w_n)^T$

　　16.偏置，或者截距 $b$

$b$

　　17.模型的复杂度 $J(f)$

 $J(f)$

　　18.经验风险，或经验损失 $R_{emp}$

$R_{emp}$

　　19.损失函数，拉格朗日函数 $L$
　　

$L$

　　20.学习率 $\eta$

$\eta$

　　21. $L_1$范数 $\parallel \cdot \parallel$，$L_2$范数 $\parallel \cdot \parallel_2$

$\parallel \cdot \parallel $
$\parallel \cdot \parallel_2 $

　　22.向量$x$与$x^{'}$的内积 $(x \cdot x^{'})$

$(x \cdot x^{'})$

　　23.熵 $H(X), H(p)$

$H(X), H(p)$

　　24.条件熵 $H(Y|X)$

$H(Y|X)$

　　25.分离超平面 $S$

$S$

　　26.拉格朗日乘子，对偶问题变量 $\alpha=(\alpha_1,\alpha_2,...,\alpha_n)^T$

 $\alpha=(\alpha_1,\alpha_2,...,\alpha_n)^T$

　　27.对偶问题的第$i$个变量 $\alpha_i$

$\alpha_i$

　　28.核函数 $K(x,z)$

$K(x,z)$

　　29.符号函数 $sign(x)$

$sign(x)$

　　30.指示函数 $I(x)$

$I(x)$

　　31.规范化因子 $Z(x)$

$Z(x)$

　　如果需要找到希腊字母的 MarkDown代码，只需要在http://detexify.kirelabs.org/classify.html 里的框框里用鼠标写出该字母，再选择对应的代码即可。如图(1)所示：
　　

图(1) 手写希腊字母，得到对应的LaTex代码或者MarkDown代码
　　例如 欧米伽 $\omega$的LaTex代码为

$\omega$