本文已参与「新人创作礼」活动，一起开启掘金创作之路。
准备开始写一些有关于机器学习中的数学系列的文章。在机器学习中，一些经典的数学概念和方法是常常被用到的，有时候可能只是变了一个词，新瓶装旧酒而已。
众所周知，一般来说，有了 数据，我们才能开始机器学习。而如何对数据进行假设，如何选择数据，是开始的第一步，所以我们先开始讨论讨论什么是Sampling。
Sampling
核心问题是如何根据一定的分布产生随机变量.
wiki的定义：
在统计、质量保证和调查方法中，抽样是从统计总体中选择一个子集（统计样本），以估计整个人口的特征。统计学家试图收集代表相关人群的样本。与测量整个人口相比，采样具有更低的成本和更快的数据收集速度，并且可以在无法测量整个人口的情况下提供洞察。 每个观察测量独立物体或个体的一个或多个属性（如重量、位置、颜色或质量）。在调查抽样中，可以对数据应用权重，以调整样本设计，特别是在分层抽样中。[1] 概率论和统计理论的结果用于指导实践。在商业和医学研究中，抽样广泛用于收集人群信息。[2] 验收抽样用于确定生产批次的材料是否符合管理规范。
先考虑一个随机变量的例子。
方法一：Function Transformation
e.g.1: Given a cumulative distribution function,
then we derive a closed form inverse function of F:
is uniformly distributed in the interval irrespective of the nature of .
e.g.2: ....
这就是说，我们只要能够找到一个原函数的一个uniform distributed Transformation function , 通过能够构造出原函数就可以了。当然inverse function是最简单的一种，还有可能通过多个Transformation function去构造原函数的方法，之后再补充到example里。
