11.1 基本概念11.2 误差反向传播算法 (11.2.1 多层前馈神经网络BP算法结构图 11.2.2 梯度下降法 11.2.3 BP算法过程 11.2.4 累积BP算法 11.2.5 如何缓解BP算法过拟合)

9.1 连续属性处理 (处理方法与实例) 9.2 缺失值处理 (处理方法与实例)

35.1 概率图模型的推断方法 :35.2 精确推断 : 变量消去法35.3 近似推断(一) : MCMC采样法- 如何高效地基于图模型所描述的概率分布P(x)获取样本- 通过构造马尔可夫链(递归算法)使其收敛到平稳分布P来产生样本，生成的样本x近似服从于分布P- MH算法

34.1 马尔可夫随机场 :34.1.1 联合概率分布 : 基于团分解为势函数的乘积34.1.2 势函数的作用 : 度量变量x∈Q之间的相关性，且函数值越大说明对应的变量x取值的联合概率越高。34.2 条件随机场 : 对多个变量x在给定观测值后的条件概率 P(y|x) 进行建模。条件随机场和马尔可夫随机场均使用团上的势函数定义概率，但条件随机场处理的是条件概率，而马尔可夫随机场处理的是联合概率。

33.1 概率模型：概率图模型33.2 隐马尔可夫模型：33.2.1 状态变量、观测变量、联合概率分布33.2.2 三组参数、模型的三个基本问题

30.1 半监督学习 概论30.2生成式方法 : 以高斯混合概率模型为例，通过有标记数据与未标记数据所包含的数据分布信息获得潜在的模型参数，并将未标记数据的预测分类与学习目标(模型参数)联系起来。具体可参考30.2.2基于有标记数据和未标记数据的高斯混合概率模型 EM 算法解读

24.1 k近邻学习 - "维数危机"24.2 降维24.3 MDS降维方法与算法解读24.4 引子：线性降维方法