亿游江湖

引言前个post我们回顾了机器学习相关的一些基本概念，并通过一个多项式拟合的例子感受机器学习的过程。我们知道，模式识别领域中一个重要的概念是事物的不确定性，今天所要讨论的就是一种对不确定性进行量化和计算的知识–概率论。基于概率论可以辅助我们做出最优的决策。接下来一起来下概率论相关的一些基本知识。目录 引言 目录 1 一个例子 2 基本知识 TBD1 .1 一个例子1.2 基本知识 概率论基本规则，加

知识点 密度估计概念，区分参数估计，密度估计的问题，p52 参数分布概念，确定参数值的方法：最优化方法（似然函数）（频率学派）； 给定观察数据引入参数先验分布（贝叶斯排） 共轭先验，后验和先验具有相同函数形式 什么是二项分布，它的共轭是beta分布，理解过程 什么是beta分布，如何引出的， Gamma函数，具体形式，具有的性质， 基于 后验~似然X先验，推出参数μ{\mu}的后验公式2.17，然后

题记： 写这篇文章如下，首

PRML Notes-Chapter1 Introduction题记： RPML是ML领域的圣典，是从事算法这条路不可或缺的历练，它对内功的增强绝不是一点点，因此决定重新拿起圣典研读，并将自己的点滴思考做以记录，供后续温习和问题查找。由于笔者知识水平有限，文章中部分术语和概念可能不够严谨，望批评指正！目录PRML Notes-Chapter1 Introduction 目录 1 基本概念 2 概率