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】

简要介绍：Bochs主要是一个免费且开源的基于x86架构PC机模拟器。学习linux0.11内核，推荐在该模拟器上进行。环境搭建步骤：1、下载Linux0.11系统包，本链接的下载包已包含Bochs软件。点击打开链接http://oldlinux.org/Linux.old/bochs/linux-0.11-devel-040329.zip2、解压linux-0

备注：本文通过三个问题，引出Linux 内核0.11的系统调用。操作系统为什么要引出系统调用？回答这个问题前，请先参看如下图：由图可以看出，从操作系统的角度来看，一台计算机主要分为两级：用户级以及内核级，系统调用主要作用就是连接用户级和内核级的“插座”。上层用户的许多对计算机硬件的操作，如读写磁盘文件，让显示器输出字符等，都通过接口来完成。那再思考一个问题，不用接口直接操作

备注：上讲中，博猪讲到了操作系统是如何让用户程序调用系统函数的，这讲继续接上讲的话题，从一个系统内核系统函数创建的小实验来学习系统内核具体做了些什么。理清下系统调用的整体过程。实验：在Linux 0.11上添加两个系统调用，并编写两个简单的应用程序测试它们。iam()第一个系统调用是iam()，其原型为：int iam(const char * name); 完成的功能是将字符串参数name的内

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

sklearn 源码分析系列：neighbors(2)by DemonSonggithub源码链接(https://github.com/demonSong/DML)by\space DemonSong\\github源码链接(https://github.com/demonSong/DML)我起初一直在纠结是否需要把kd_tree的实现也放在这一篇中讲，如果讲算法实现，就违背了源码分析的初衷