深度学习知识点的分类

概率基础知识的总结

---

1. 边缘概率
2. 条件概率
3. 条件概率的链式法则
4. 独立性和条件独立性
5. 期望，方差和协方差
6. PCA的推导
7. 常用的概率分布
   1. 高斯分布
   2. Multioulli 分布
   3. Bernoulli 分布
   4. 指数分布
   5. Dirac 分布和经验分布
   6. 分布的混合（高斯混合模型）
8. 贝叶斯统计（最大后验（MAP）估计）
9. 贝叶斯分类器
10. 结构化概率模型
11. 最大似然估计
12. 概率图模型
    1. 隐马尔可夫模型
    2. 话题模型
    3. 学习与推断
    4. 条件随机场
    5. 马尔可夫随机场
13. 线性因子模型概率
    1. PCA 的流形解释
    2. 慢特征分析
    3. 独立成分分析 
14. 采样
    1. 不同峰值之间的混合挑战
    2. Gibbs 采样
    3. 马尔可夫链蒙特卡特罗采样
    4. 重要采样
    5. 采样和蒙特卡洛法