目标：主要算法学习

1. 线性分类器
2. 贝叶斯分类器
3. 模糊模式识别
4. 神经网络

第一次 4-30 选择填空识别=认知(抽象)+分类

1 维数灾难，越高分类越差、降维

2 模式+识别(距离度量分类),应用

人脸识别、语音识别、自然语言理解、手势识别、脑电识别、目标跟踪、地址勘探、医学诊断

3 特征距离度量:识别基础-相似性，模式-共同特征

曼哈顿、欧氏距离
非距离相似性度量
余弦相似度、pearson相关系数、Jaccard相似系数、相对熵KL、还有个Hellinger



1 当方差=0，cos和pearson相等
2 相对熵KL是Hellinger距离α\alphaα=1的极限
3 嵌入（词嵌入）用cos，物理距离欧式、集合jaccard、函数(随机变量)之间的相似性KL
4 pearson相关系数不是单个样本之间的值，是随机变量x(n维度),y的相关性

第二次 5-7 贝叶斯

https://www.cnblogs.com/carlber/p/10832692.html

第三次 5-9 KNN

第四次 5-12 感知机求解判别函数

http://www.doc88.com/p-9945664982738.html
https://wenku.baidu.com/view/a46a7784e53a580216fcfe78.html

第五次 5-14 最小均方误差算法 二分类

https://zhuanlan.zhihu.com/p/49285125
如图所示现有如下数据点：
X = [3,1], [1,2], [1,4], [6,4], [5,2], [3,5], [4,6], [4,-1]；
数据点所属类别为
Y = [0, 1, 1, 0, 0, 1, 1, 0]；
请在作业本上用最小均方误差算法计算可将以上八个点准确分类的直线。

第六次：5-21 选择分类器完成图像分类+讲解