EM算法是解决隐变量问题问题一个强有力方法，本文列举了一些具体模型的应用。本文意在理清混合模型的EM算法的问题。若有错误，请大家指正。

EM算法是解决隐变量问题问题一个强有力方法。本文意在理清EM算法的问题。若有错误，请大家指正。

我们使用条件随机场定义条件概率。我们是基于整体特征定义了观测变量与隐变量的关系，而不像隐马尔可夫模型那样。这大大利于充分利用观测序列的信息，而不是局部信息。

隐马尔可夫是一个古老的模型，开始我们回顾了一下它的基本问题。然后我们使用前向后向算法和维比特算法，解决了求值和求隐状态的问题。中间我们使用EM算法，解决了参数求解的问题。人类可以通过一些精巧的设计，来获取超乎直观想象结果，当人类的思想开始集成，开始向深处，广处延伸时，上帝似乎很惊异。

概率是一个好工具，这个工具的核心在于概率的条件独立性质。或者说高级一点条件期望。没有条件期望，概率论不过是测度论的一个表现形式。正是我们定义了条件概率，概率论才枝深叶茂起来。但是表达条件概率不仅仅用数学公式，还可以用图。于是一门新的学科诞生了：概率图。本文通过清晰的数学符号，简洁的描述带你入门概率图。

本文意在理清广义线性模型的问题。若有错误，请大家指正。

本文总结了狄利克雷-多项式模型的部分，我们将再一次熟悉贝叶斯方法的基本概念、流程、特点。把我们思维进化到更高的维度。

贝塔-伯努利模型(beta-binomial model)是非常经典的离散二维模型，通过它我们能得到很多关键概念的感觉，和初步认识。进而熟悉了贝叶斯方法的基本概念、流程、特点。同时一旦我们熟悉了伯努利、二项、贝塔、均匀、贝塔-伯努利分布后，很多关键的东西就可以用文字表述清楚，并且有深刻认识

经典统计学利用总计和样本信息来做统计分析，而贝叶斯统计学还加入了先验信息。下面我们用单参数一维随机变量加以说明贝叶斯方法：

本文主要总结了矩阵高斯分布的若干基本问题，和我自己的一些体会。