亿游江湖

题记：写这篇文章如下，首

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

第二章 概率分布第二章 概率分布一些概念主要分布从第一章中我们了解了机器学习的一些概念、定义等，并知道了ML中最重要的三个部分概率论、信息论和决策论，并简单介绍了贝叶斯学派的思想。这一章中会更加详细的去探讨如何对一个事件或者一个观测序列不确定性的描述，也就是概率分布的内容。由于这一章节的内容很多，因此可能会分为几篇blog去记录。笔记中的一些记录均是本人当前认知的一个结果，因而不见得全面、到位。

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