StevenJane

贝叶斯网络（Bayesian Networks），它能够很好的在复杂空间表示和操作概率量。

机器学习——贝叶斯推理

本文主要是对监督学习进行相应的总结，概述出相应的内容。

PCA

一：支持向量机首先请大家思考一个测试场景，假设我们有一个数据集，这个数据集是线性可分的（换句话说就是我们可以完全的将这个数据集分成两个组）。如果从几何的角度来讲，我们就是需要寻找一个超平面，这个超平面可以完全的将这个数据集按照要求分隔开。但是这个超平面却可能会存在很多个（可能数都数不清），那么怎么在该情况下寻找最优平面呢？这里给大家展示一副如下所示的图形： 这个图形其实就是我们刚才描述的场景的几何

本文主要从多元变量优化的问题为背景，讲解拉格朗日乘子法、KK条件、拉格朗日对偶等相关的问题。

一：前言1.1 生物神经元1.1.1 结构神经细胞是构成神经系统的基本单元，称为生物神经元，简称神经元。神经元主要由树突、轴突、细胞体三部分组成，如下图： 1.1.2 工作原理神经元的信息传递和处理是一种电化学信号，树突由于电化学作用受外界的刺激，通过胞体内的活动体现为轴突点位，当轴突点位达到一定的值形成神经脉冲或动作电位；再通过轴突末梢传递给其他的神经元，从控制论的观点来看；这一过程可以看作一个

ID3算法的基本解释。

一：决策树的基本概念1.1 基本概念决策树（Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望大于零的概率，评估项目风险、判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。———百度百科在机器学习（Machine Learning）中，决策树是一种预测模型、它代表的是对象属性与对象值之间的一种映射关系。树中的每个节点表示某个对象属性、每个分叉路径

信息熵又被称为香农熵，它的出现解决了信息度量的问题。信息熵认为一条信息的信息量的大小和它的不确定性有直接的关系。一：信息的不确定性首先请看如下的两条信息（这里最开始使用的是例子，但是后来发现我们这里讲的是信息熵，所以使用信息这个词语可以更好的帮助大家来理解信息熵这个概念）：太阳从东边升起。提问20个问题猜出我心中正在想的东西。（没有听过这个游戏的朋友请自行度娘或者谷歌，会出现不同的版本，但具体的

神经网络感知器、梯度下降算法的说明。