Pattern-Recogenition-and-Machine-Learning

1.2 Probability Theory(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框架，并形成了

然而在目前的情况下，继续使用当前的方法是有益的，并考虑如何在实际中将其应用到有限大小的数据集，在这里我们可能希望使用相对复杂和灵活的模型。在这种情况下，经常用于控制过拟合现象的一种技术是正则化技术，它

对于$M=9$，训练集误差变为零，正如我们所预期的，因为该多项式包含10个自由度，对应于10个系数$w_0,...,w_9$，因此可以精确调整到训练集中的10个数据点。然而，测试集误差变得非常大，正如

1.1.Example:Polynomial Curve Fitting(多项曲线拟合)   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。假设我们观测到

introduction 在数据中搜索模式的问题是一个基本问题，并且有很长的成功历史。例如，16世纪对第谷·布拉赫(Tycho Brahe)的广泛天文观测，让开普勒(Johannes Kepler)发

Mathematical notation(数学符号) 我尝试这本书的数学内容控制在必要的最低需求，以达到对该领域的正确理解。然而，这一最低的水平是非零的，因该强调的是，良好的微积分，线性代数和概率论