算法细节系列（18）：凸包的三种计算详细代码可以fork下Github上leetcode项目，不定期更新。题目摘自leetcode：1. Leetcode 587. Erect the Fence刷一道周赛题时遇到了相关的凸包计算，特此整理下，方便日后复查。不得不吐槽下，网上有很多关于凸包的算法，但完整实现的却不多，所以本文借着leetcode提供的测试数据，把一些基本的凸包算法都实现下

隐马尔可夫模型学习笔记（一）前言学习隐马尔可夫模型时，最大的困难便是一堆公式与实际问题对应不上号。原因可能还是在于对概率论的理解太表面，且隐马尔可夫模型考虑了时间因素，显然这样的随机过程一时半会是难以形象的理解的。因此，本文采用先举例，后定义公式的方式来学习隐马尔可夫模型。思考隐马尔可夫模型当然，我们还是首先需要知道隐马尔可夫模型（HMM）在统计学习中的地位和应用。参考书本

隐马尔可夫模型之Baum-Welch算法详解在上篇博文中，我们学习了隐马尔可夫模型的概率计算问题和预测问题，但正当要准备理解学习问题时，发现学习问题中需要EM算法的相关知识，因此，上一周转而学习了EM算法和极大似然估计，对隐藏变量的求解有了一些自己的理解，现在我们继续回过头来学习隐马尔可夫模型的学习问题。

深度学习系列（2）：前向传播和后向传播算法前言讲真，之前学吴恩达的机器学习课时，还手写实现过后向传播算法，但如今忘得也一干二净。总结两个原因：1. 理解不够透彻。2. 没有从问题的本质抓住后向传播的精髓。今天重温后向传播算法的推导，但重要的是比较前向传播和后向传播的优缺点，以及它们在神经网络中起到了什么不一般的作用，才让我们如此着迷。反向传播的由来反向传播由Hinton在1986年发明，该论文发表

条件随机场学习笔记前言这是在《统计学习方法》中学习到的最后一个方法了，不像其他统计方法，学完精气神超足，都能让我继续振奋好几日。然学完该方法，我陷入了沉思与迷茫。首先，对条件随机场的【提出】和【应用场景】一片混沌，其次，说说它的思想吧，无非加入了【空间属性】，相比最大熵模型，多加入了【边特征函数】，而随机变量【X，Y】的联合概率分布的表达式并没有发生本质变化，所以说，它还是一个我认为的【概率模型】

PRML系列：1.1 多项式函数拟合前言此系列关于Pattern Recognition and Machine Learning的总结，博文记录一些在阅读过程中遇到的难点和自己的感悟。话不多说，直接进入正题吧。正文第一章第一节的内容关于多项式函数的拟合，假设我们给出了一系列的坐标点（x，y）们，可能是某个函数生成的，比如：y=sin(2πx)y = \sin(2 \pi x)，如下图：模式识别的

深度学习系列（2）：前向传播和后向传播算法前言讲真，之前学吴恩达的机器学习课时，还手写实现过后向传播算法，但如今忘得也一干二净。总结两个原因：1. 理解不够透彻。2. 没有从问题的本质抓住后向传播的精髓。今天重温后向传播算法的推导，但重要的是比较前向传播和后向传播的优缺点，以及它们在神经网络中起到了什么不一般的作用，才让我们如此着迷。反向传播的由来反向传播由Hinton在1986年发明，该论文发表