本文介绍了Particle Filtering这种近似推理方法，用于解决HMM中状态空间过大时精确推理计算复杂的问题。Particle Filtering通过维护一组粒子来近似表示信念分布，基本过程包括：1）根据转移模型更新粒子状态（Time Elapse Update）；2）结合观测证据计算粒子权重并重采样（Observation Update）。与精确推理的Forward Algorithm相

本文围绕 CS188 机器学习入门内容展开，介绍监督学习、数据集划分、朴素贝叶斯分类思想及其条件独立假设，并进一步说明如何通过最大似然估计学习模型参数。文章最后讨论了 MLE 的零概率问题，并引入 Laplace Smoothing 来提升模型的泛化能力。

本文围绕机器学习中的线性模型展开，系统梳理线性分类器、二分类与多分类感知机、线性回归、逻辑回归以及 Softmax 多分类方法。文章重点解释特征向量、权重、决策边界、Bias、损失函数、梯度下降和最大似然等核心概念，帮助读者建立从感知机到逻辑回归的整体理解。

本文围绕 CS188 Project 5 的机器学习部分展开，以 PyTorch 基础为起点，依次梳理 Tensor、Shape、Batch、DataLoader 等核心概念，并完成从感知机、非线性回归、MNIST 数字分类、语言识别 RNN、手写卷积函数到 Attention 机制的完整实现。文章不仅记录代码解法，也重点解释输入输出维度、训练流程、损失函数、激活函数选择和模型结构设计，适合 Py

本文围绕 CS188 机器学习入门内容展开，介绍监督学习、数据集划分、朴素贝叶斯分类思想及其条件独立假设，并进一步说明如何通过最大似然估计学习模型参数。文章最后讨论了 MLE 的零概率问题，并引入 Laplace Smoothing 来提升模型的泛化能力。

本文围绕机器学习中的线性模型展开，系统梳理线性分类器、二分类与多分类感知机、线性回归、逻辑回归以及 Softmax 多分类方法。文章重点解释特征向量、权重、决策边界、Bias、损失函数、梯度下降和最大似然等核心概念，帮助读者建立从感知机到逻辑回归的整体理解。

本文围绕 CS188 Project 5 的机器学习部分展开，以 PyTorch 基础为起点，依次梳理 Tensor、Shape、Batch、DataLoader 等核心概念，并完成从感知机、非线性回归、MNIST 数字分类、语言识别 RNN、手写卷积函数到 Attention 机制的完整实现。文章不仅记录代码解法，也重点解释输入输出维度、训练流程、损失函数、激活函数选择和模型结构设计，适合 Py

本文介绍了四种搜索算法的Python实现：深度优先搜索(DFS)、广度优先搜索(BFS)、统一成本搜索(UCS)和A搜索。DFS使用栈结构实现深度优先遍历，BFS使用队列实现广度优先遍历，两者主要区别在于数据结构的选择。UCS和A都采用优先队列，UCS基于路径成本选择节点，A则结合启发式函数和路径成本。文章特别指出A实现中容易出现的环路问题，强调正确管理已访问节点的重要性。所有算法都遵循相似的框架

本文介绍了CS188课程项目2中关于多智能体搜索的实现过程。主要内容包括： Q1 Reflex Agent：通过改进评估函数来优化反射型智能体的表现。评估函数考虑了游戏分数、食物距离、幽灵状态等因素，并添加了对stop动作的惩罚。测试结果显示性能显著提升，但仍存在后期反复踱步的问题。 Q2 Minimax：开始实现Minimax算法，利用伪代码框架构建决策树。代码提供了游戏状态评估、合法动作获取等

这篇博客介绍了CS188课程Project 4（Ghostbusters）中前所有问题的解决思路和代码实现。