機器學習之凸優化、貝葉斯網絡、奇異值分解（SVD）

一、凸優化 1、概念 1.1仿射集定義 1.2 凸集 1.3 錐定義 2、凸優化 二、貝葉斯網絡 2.1通過貝葉斯網絡判定的條件獨立 (1）形式1：head-to-head (2) 形式2：tail-to-tail (3) 形式3：head-to-tail 三、SVD奇異值分解 3.1 奇異值分解 例子： 3.2 SVD概念及理解 一、凸優化 1、概念 兩個正數的算術平均數大於等於幾何平均數： a

>>阅读原文<<