机器学习基础
概述
监督学习中最核心的线性/非线性分类方法，从概率视角（贝叶斯）到几何视角（SVM）再到迭代优化（感知器）。同时涵盖概率论基础、高斯分布家族、EM 算法等统计学习基石。
文章列表
- machine-learning-basics — 贝叶斯分类、Fisher LDA、感知器、SVM
- logistic-regression — Sigmoid 概率分类与交叉熵损失
- kl-divergence — 正态分布 KL 散度推导
- gaussian-distribution — 最大熵/CLT/微分方程三角度推导
- spherical-gaussian — 协方差 σ²I 的简化多元高斯
- gaussian-posterior — 高斯先验+线性高斯似然的后验解析解
- poisson-distribution — 二项分布极限，稀有事件计数
- probability-basics — 先验/后验/贝叶斯定理
- em-algorithm — E步+M步迭代，隐变量模型参数估计
- orthogonal-basis — 正交基、Gram-Schmidt 正交化