Pattern-Recognition-and-Machine-Learning-Christop

到目前为止，在本章中，我们已经从随机、可重复事件的频率角度来看待概率。我们将把它称为概率的经典或常客解释。现在我们转向更一般的贝叶斯观点，其中概率提供了不确定性的量化。

涉及概率的最重要的操作之一是求函数的加权平均数。概率分布p(x)下的某些函数f(x)的平均值称为f(x)的期望值，用E[f]表示。

1.2.1 概率密度 除了考虑在离散时间集上定义的概率外，我们还希望考虑关于连续变量的概率。

模式识别领域的一个关键概念是不确定性。它是通过测量中的噪声以及数据集的有限大小产生的。概率论为不确定性的量化和处理提供了一个一致的的框架，并形成了模式识别的核心基础之一。

模式识别领域的一个关键概念是不确定性。它是通过测量中的噪声以及数据集的有限大小产生的。概率论为不确定性的量化和处理提供了一个一致的的框架，并形成了模式识别的核心基础之一。

1.2 概率论   模式识别领域的一个关键概念是不确定性。它是通过测量中的噪声以及数据集的有限大小产生的。概率论为不确定性的量化和处理提供了一个一致的的框架，并形成了模式识别的核心基础之一。

然而，就目前而言，继续使用当前的方法并考虑在实践中如何将其应用于我们可能希望使用相对复杂和灵活的模型有限规模的数据集是有指导意义的。

 在数据中搜索模式的问题时一个基本问题，并且有很长的成功历史。模式识别领域涉及使用计算机算法在数据中心自动发现规划，并利用这些规则采取行动，如将数据分类到不同的类别。

我们可以通过选择E(w)尽可能小的w​的值来解决曲线拟合问题。​因为误差函数是系数w的二次函数，它对系数的导数在w​元素中是线性的，所以误差函数的最小化有唯一的解，用w ∗ ​表示 ，可以在封闭形

1.1 例：多项式曲线拟合 我们首先介绍一个简单的回归问题，我们将在本章中使用它作为 一个连续的例子来激发一些关键的概念。

在数据中搜索模式的问题时一个基本问题，并且有很长的成功历史。模式识别领域涉及使用计算机算法在数据中心自动发现规划，并利用这些规则采取行动，如将数据分类到不同的类别。