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。

本文描述了多元高斯分布的熵的关键技巧，值得了解一下。

本文主要总结了多元高斯分布的若干基本问题，和我自己的一些体会。

机器学习框架, 当我们理解了：输入空间、输出空间、算法空间、假设空间、参数空间后，我们就能建立起机器学习的基本框架。从而加深理解。本文同时还解释了梯度下降算法、和正则方程的几何意义。

本文主要总结的一元统计学三大分布的若干基本问题，和我自己的一些体会。