这一节看的时间跨度比较大，先写着，后面再整理HMM的概率图模型：其中，白圈代表的是隐变量，带阴影的是观测变量，然后t就是时间次数，我在这里就理解为更新次数了。1. 基本信息HMM模型最重要的三个东西：一个模型（包含：一个，表示初始的概率分布；一个A，状态转移矩阵；一个B，发射矩阵。）两个假设（1.齐次马尔可夫假设；2.观察独立假设）三个问题（1.evaluation问题；2.Learning问题；

1. 决策树决策树可以用于分类和回归的应用里面，这里讨论的决策树是一个二叉树的形式，我们可以用伪代码的方式去表达出来：决策树就是一个 if-then 的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。利用训练数据，根据损失函数最小化的原则建立决策树模型，其中包括：特征选择，决策树的生成，决策树的剪枝三个步骤。下面讨论的都是分类决策树，除了CART树会讨论到回归树1.1.1 决策树模型定义

感觉已经落下好多进度了，要马上赶上来才行。后面还有好多书没有看0 0这篇文章的两个模型都是来自于引入了attention机制而产生的，再NFM模型中，不同域的特征Embediing向量经过特征交叉池化层的交叉，将各个交叉特征向量进行了 sum_pooling 操作（这里后面会解释为嘛子叫这个），输入最后由多层神经网络组成的输出层，问题关键在于这个sum_pooling操作，相当于一视同仁地对待所有

第四章:存储器1.存储器分类有很多分类方式: 例如按存储介质, 按半导体等等.1.1以存储方式来分类.(1)随机存储器(RAM):存储器的任何一个存储单元的内容都可以随意存取, 而且存储时间与存储单元的物理地址无关. then RAM又分为静态RAM和动态RAM. (2)只读存储器(ROM): 只能对存储器的内容读出, 不能重写存储器. ROM一旦存储原始信息, 无论在什么时候都不能对其改写

1. 背景优化算法做的事就是在 模型表征空间中找到模型评估指标最好的模型。这里就引出了什么是模型的表征空间，以及什么是评估指标了。只有正确地应用表征空间以及评估指标，才可以更好地优化模型譬如SVM的模型表征空间就是线性分类模型，然后评估指标就是最大间隔逻辑回归的模型表征空间就是线性分类模型，然后评估指标就是交叉熵我自己理解模型表征空间就是表明这个模型要处理什么问题，评估指标就是比较出真实值和模型估

4.1 朴素贝叶斯朴素贝叶斯是基于贝叶斯定理与特征条件独立假设的分类方法，求出后验概率最大的输出y4.1.1 基本方法了解贝叶斯关键就是了解公式上每一步都是代表着什么含义设输入空间，输出空间为类标记集合...

1. 背景优化算法做的事就是在 模型表征空间中找到模型评估指标最好的模型。这里就引出了什么是模型的表征空间，以及什么是评估指标了。只有正确地应用表征空间以及评估指标，才可以更好地优化模型譬如SVM的模型表征空间就是线性分类模型，然后评估指标就是最大间隔逻辑回归的模型表征空间就是线性分类模型，然后评估指标就是交叉熵我自己理解模型表征空间就是表明这个模型要处理什么问题，评估指标就是比较出真实值和模型估