『机器学习』白板推导系列

简要介绍了核方法处理的问题类型，以及引出为何提出核方法，以及对正定核函数的证明解释。主要起到总结的作用。

本文主要介绍了支持向量机的软间隔和硬间隔，从模型定义，如何转化模型求解为一个优化问题，以及最终使用拉格朗日乘子法对其进行求解，具备完整的流程阐述。

介绍了什么样的问题是约束优化问题，并展示了如何转化为对偶形式，以及证明了对偶关系成立、科普了Slater条件与KKT条件。

介绍了降维的几种手段以及为何要降维，主要介绍主成分分析法的思想，两种使用PCA的方式，以及SVD角度看待PCA和p-PCA的相关概念。

从线性回归过渡到线性分类，介绍了感知机，线性辨别分析，逻辑回归，高斯辨别分析，朴素贝叶斯等线性分类模型的数学推导。

线性回归模型因为结构简单，可解释性好，实现简单，在工程领域得到广泛应用，它是机器学习世界的"Hello World！"。完整、全面地掌握线性回归模型，对今后的机器学习理论大有裨益。

从高斯分布的维度，局限性，边缘概率，条件概率等入手，加深对高斯分布的理解以及数学理论的掌握，并且熟悉统计派和贝叶斯派工具的常见使用方法。

白板推导系列笔记前言。在本文中，对一些0基础的问题进行讲解，但是由于涉及到知识范围太广，难以全部涉及，建议先对线性代数、高数、概率论的部分内容掌握扎实之后再来阅读，会减少一些阅读的障碍。

『白板推导系列笔记』第0章，主要介绍前置知识储备，以及对频率派和贝叶斯派的初步了解and一些优质课程资源的总结。