机器学习之凸优化、贝叶斯网络、奇异值分解（SVD）

一、凸优化 1、概念 1.1仿射集定义 1.2 凸集 1.3 锥定义 2、凸优化 二、贝叶斯网络 2.1通过贝叶斯网络判定的条件独立 (1）形式1：head-to-head (2) 形式2：tail-to-tail (3) 形式3：head-to-tail 三、SVD奇异值分解 3.1 奇异值分解 例子： 3.2 SVD概念及理解 一、凸优化 1、概念 两个正数的算术平均数大于等于几何平均数： a

>>阅读原文<<