本篇复习一些机器学习和深度学习常用的概率论的基础知识，因为我发现有挺多人对这些东西都不了解，或者说忘了，所以，本篇文章，意在唤醒你那已经交还给老师的概率论基础记忆，以为下一篇文章做基础[数学基础——生成模型必备知识-哔哩哔哩]

上一篇【机器学习】粒子滤波原理推导（一），我们就如何去求解粒子滤波Filter问题的期望，得到了各种递推式。但是会产生权值退化的问题。这篇文章就解释一下什么是权值退化，又该如何去解决。

呃…好久没有写博客了，主要是最近时间比较少。今天来做一期视频+博客的内容。本文主要讲SimMIM，它是一个将计算机视觉（图像）进行自监督训练的框架。SimMIM：用于掩码图像建模的简单框架 (arxiv.org)代码实现：https://github.com/microsoft/SimMIM【SimMIM：计算机视觉的随机掩码预训练-哔哩哔哩】

1、前言变分自编码器是近些年较火的一个生成模型，我个人认为其本质上仍然是一个概率图模型，只是在此基础上引入了神经网络。本文将就变分自编码器（VAE）进行简单的原理讲解和数学推导。论文： Auto-Encoding Variational Bayes视频：2、引入2.1、高斯混合模型生成模型，可以简单的理解为生成数据(不止，但我们暂且就这么理解它)\boxed{(不止，但我们暂且就这么理解它)}(不

本篇介绍条件GAN——CGAN，这其实是一个挺简单的模型，只要你知道GAN这个模型，就很容易能够看懂这个，因为CGAN就是在GAN的基础上加上了一个条件，CGAN的作用就是可以依据标签生成对应的图像。【伪造指定图像——CGAN原理解析-哔哩哔哩】

上一篇文章，我们详细讲解了StyleGAN的原理。这篇文章，我们就来讲解一下StyleGAN2，也就是StyleGAN的改进版。①Pytorch版本，非官方​​PS：推荐看代码②，里面对每行都进行了注释。【图像风格混合——StyleGAN2原理解析-哔哩哔哩】

卡尔曼滤波，动态模型里面比较具有代表性的一个模型。其和隐马尔可夫模型具有差不多相同的结构，但隐马尔可夫模型要求隐状态必须时离散的。而卡尔曼滤波则没有这个限制。本文将从贝叶斯派的角度去推导Filter问题。如果你没听过马尔可夫链，可以先去了解一下，否则估计很难看懂。

本篇文章，主要是为了给大家一个学习AI的学习路线。目前网络上有很多的网络资源，但是很多人都是东捡一集，西捡一集，导致学习体系不完备，加上学习资源的质量参差不齐。最终总是遇到各种各样奇怪的问题。所以，本篇文章，我将跟大家说一下，从零基础，该如何学习。【一个视频教会你该如何去学习人工智能！-哔哩哔哩】

本文将讲近些年来挺火的一个生成模型GAN生成对抗网络\boxed{\mathbf{GAN生成对抗网络}}GAN生成对抗网络​，其特殊的思路解法实在让人啧啧称奇。

贝叶斯线性回归。不是什么新奇的东西，实际上就是线性回归从贝叶斯派的角度去理解罢了。本文将从贝叶斯派的角度去推导。