上一节介绍了Seq2seq网络常用的基本结构以及在机器翻译任务中，关于目标函数与预测概率的描述。本节依然以机器翻译任务为例，对Seq2seq中的注意力机制(Attention)进行描述。

上一节介绍了推断的本质以及推断的具体方法。本节将介绍精确推断方法中的变量消去法(Variable Elimination,VE)

上一节介绍了卷积的另一特点——筛选数据特征。并通过神经网络的反向传播过程，我们能够对卷积核内的参数进行更新，得到从数据中提取到更优质特征的卷积核。本节对卷积操作进行示例，并继续介绍池化操作。

从本节开始，将介绍聚类任务，本节将介绍k-Means算法。

本节继续介绍高斯分布，从几何角度观察多维高斯分布

上一节介绍了隐马尔可夫模型(Hidden Markov Model,HMM)向最大熵马尔可夫模型(Maximum Entropy Markov Model,MEMM)的演化过程。本节将介绍MEMM模型的缺陷——标注偏置问题(Label Bias Problem)

上一节对动量法进行了简单认识，本节将介绍Nesterov动量方法。

本节将介绍密度聚类——DBSCAN方法，并基于Python进行实现。

上一节介绍了判别变量/特征之间是否具备条件独立性的方法——D划分，本节从贝叶斯网络整体出发，总结”贝叶斯网络家族“中包含哪些模型(Representation)。

上一节介绍了将马尔可夫链与蒙特卡洛方法相结合的算法——MH采样算法(Metropolis Hastings)，本节将介绍吉布斯采样算法(Gibbs Sampling)。