回顾了泊松分布的基础知识，使用python语言调用numpy模块中的numpy.random.poisson()函数进行了泊松分布效果仿真。

本文学习了球体（月亮）的基本画法，尝试修改了颜色、坐标轴纵横比和自变量密度。

学习了SOM算法的基本原理，使用python代码实现了SOM算法。

学习了神经元和神经网络的基础知识。

学习了常用的激活函数，通过python对激活函数进行了绘制。

探索了霍普菲尔德神经网络的基本知识，基于python语言，调用hebbian方法对霍普菲尔德神经网络算法进行了初步训练和测试。

掌握了python+opencv实现调用cv2.HoughLinesP()函数实现图像中的霍夫变换直线检测。

使用CountVectorizer进行多文本处理的方法。通过将多个文本输入到CountVectorizer中，可以生成词汇表和对应的词频向量。代码示例展示了如何对5个关于Python和数据科学的句子进行向量化处理，输出包括稀疏矩阵表示（显示每个词在文本中的位置和出现次数）、按字母排序的词汇表（共21个词）以及完整的向量表示（每行对应一个文本，包含21维的词频数据）。文章还解释了输出数据的含义，如&

本文系统梳理了贝叶斯统计的核心概念。首先介绍了联合概率和条件概率的定义与关系，指出条件概率蕴含联合概率。接着通过条件概率推导出贝叶斯公式的基本形式，展示概率事件的相互转换关系。然后结合全概率公式，将贝叶斯公式扩展到多事件互斥互补的情况。最后强调要灵活运用联合概率等式进行概率转换，掌握先验、后验概率的相互推导方法。全文清晰呈现了贝叶斯理论的基本框架和计算逻辑。

本文系统梳理了贝叶斯统计的核心概念。首先介绍了联合概率和条件概率的定义与关系，指出条件概率蕴含联合概率。接着通过条件概率推导出贝叶斯公式的基本形式，展示概率事件的相互转换关系。然后结合全概率公式，将贝叶斯公式扩展到多事件互斥互补的情况。最后强调要灵活运用联合概率等式进行概率转换，掌握先验、后验概率的相互推导方法。全文清晰呈现了贝叶斯理论的基本框架和计算逻辑。