1、MCMC蒙特卡洛方法
https://www.cnblogs.com/pinard/p/6625739.html
https://www.cnblogs.com/pinard/p/6632399.html
https://www.cnblogs.com/pinard/p/6638955.html
https://www.cnblogs.com/pinard/p/6645766.html

Gibbs采样
算法应用场景

2、发现一个比较严重的问题:自己无法掌握阅读和学习速度,可能之前学习不好页跟这个有关系。
原来的时候放在面前一本书,自己非常希望能快速看完,当真正开始看这本书的时候,又总是因为各种原因耽误学习速度,但是自己心里有非常着急尽快看完,这个时候就会囫囵吞枣一样的把东西看完了,看完之后的结果是:花时间翻了书,但是知识点却几乎没有掌握;等一段时间再次拿起这本书的时候,只知道自己看过了,但是不知道里面的具体内容是什么。
现在是不管拿到什么书,看到什么知识点都想拿笔记下来,这样做的一个结果是:看书速度太慢,往往是一个小时只看一两页内容,而且这些内容自己都已经非常清楚了,但是就是不清楚是不是跟以前一样,可能只是理解了字面意思,好像用笔写下来就会理解更深入一样。虽然目前感觉是用笔将知识点记下来,现在对知识的理解更加深入一些了,但是不知道这种理解会不会长久保留在心里。
一种是囫囵吞枣式的阅读,一种是事无巨细的记笔记,两种极端情况感觉都不太适合目前的学习,希望在后续的工作生活中能够找到一种比较快速有效的学习方式
最近这几天学习算法,又发现了另外一个问题:由于很多时间是在工作的时候抽空看一下,导致很多知识点都没有深入去学习,结果是花了时间,东西却没有学好。需要真正的学进去,知识点一步步看,不要跳着看。

(10-28 58/134) 深度神经网络(DNN)损失函数和激活函数的选择、深度神经网络(DNN)的正则化、卷积神经网络(CNN)模型结构、卷积神经网络(CNN)前向传播算法、主成分分析(PCA)原理总结、用scikit-learn学习主成分分析(PCA)
(10-29 64/134) 协同过滤推荐算法总结、奇异值分解(SVD)原理与在降维中的应用、矩阵分解在协同过滤推荐算法中的应用、分解机(Factorization Machines)推荐算法原理、卷积神经网络(CNN)反向传播算法、Apriori算法原理总结
(10-30 72/134) BIRCH聚类算法原理、用scikit-learn学习BIRCH聚类、谱聚类(spectral clustering)原理总结、用scikit-learn学习谱聚类、word2vec原理(1、2、3)、用gensim学习word2vec
(10-31 78/134) 精确率与召回率,RoC曲线与PR曲线、朴素贝叶斯算法原理小结、scikit-learn 朴素贝叶斯类库使用小结、线性判别分析LDA原理总结、用scikit-learn进行LDA降维、LSTM模型与前向反向传播算法
(11-01 84/134) 典型关联分析(CCA)原理总结、用scikit-learn研究局部线性嵌入(LLE)、局部线性嵌入(LLE)原理总结、PrefixSpan算法原理总结、FP Tree算法原理总结、 SimRank协同过滤推荐算法