brightming的专栏

1、为什么要将e(x)写成e(x+dx)的形式？2、J(x)是什么对什么的导数？理解1、形式上来说，e(x)和e(x+dx)并没有任何区别，以为dx本身就是小量，只要x+dx还在作用域？内，函数的意思就是一样的。更土一点的解析，假设定义域是在[-100,100]，那么只要x+dx在这个范围内，函数表示的意思就一样。既然意思一样，为何要写成这个形式？因为我们接下来要做的是进行迭代优化，迭代优化需要指定一个起点，即这里的e(x+dx)的x在某次迭代中，是固定的，那么e(x+dx)就变成了dx的函数.

对于PCA计算过程的理解参考了诸多关于pca的学习资料，总算是有点认识了，今天参考： http://www.cnblogs.com/jerrylead/archive/2011/04/18/2020209.html 对着把这个计算和恢复过程做了一遍，加深印象。 数据都是直接拿上面文章的。一、样本整理 二、投影到1维 1、计算投影到1维后的数据 2、恢复数据 三、投影到2维 1、计算投

二元函数的极值问题，一般可以利用偏导数来解决。必要条件： 设函数z=f(x,y)在点(x0,y0)具有偏导数，且在点（x0，y0）处有极值，则它在该点的偏导数必然为零： fxf_x(x0x_0,y0y_0)=0,fyf_y(x0x_0,y0y_0)=0充分条件： 设函数z=f(x,y)在点(x0x_0,y0y_0)的某邻域内连续且有一阶及二阶连续偏导数，有fxf_x(x0x_0,y0y_0

记录一下： http://stackoverflow.com/questions/3224823/how-exactly-do-you-compute-the-fast-fourier-transformhttp://www.phys.nsu.ru/cherk/fft.pdf

PCA的数学原理作者 张洋 | 发布于 2013-06-22机器学习 线性代数 PCAPCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。网上关于PCA的文章有很多，但是大多数只描述了PCA的分析过程，而没有讲述其中的原理。