Introduction Elements of a Wireless Networks Wireless Hosts: laptop, PDA, IP phone. Base Station: connected to a wired network. relays responsible for sending packets between wired network and wire

Transport-Layer Services Transport protocols run in end systems: - Sending side: breaks app messages into segments, passes to network layer. - Receiving side: reassembles segments into messages, passe

Principles of network applications Application architectures Three Kinds: - Peer to Peer - Client-Server - hybrid of P2P and Client-Server Client-Server Client-Server architecture has following charac

作为《统计学习方法》一书的开篇内容，本文旨在系统梳理统计学习领域中的基本概念与常见问题，为后续章节的深入学习奠定理论基础。 模型评估与选择 训练误差与测试误差 一般而言，统计学习方法具体采用的损失函数未必是评估时使用的损失函数。 假设学习到的模型是 \(Y = \hat{f}(X)\)，训练误差是模型 \(Y = \hat{f}(X)\) 关于训练数据集的平局损失： \[ R_{\text{emp

交换机网络通信原理解析 交换机接口MAC地址的实际用途 交换机每个接口虽有MAC地址，但并非用于普通数据转发，而主要用于： - 管理访问（Telnet/SSH/Web界面登录） - 协议通信（STP生成树协议、LLDP等） - 故障诊断和监控 数据帧如何通过交换机转发 关键误解在于认为数据帧的目标MAC需要是交换机的MAC。实际上： 正常帧转发过程： 主机A发送数据到F时，帧中目标MAC是路由

\(\text{Naive Bayes}\) 朴素贝叶斯法基于一个强假设，即特征条件独立性。由条件独立性假设可将公式 \((2)\) 化简为公式 \((3)\)。此外，朴素贝叶斯法是对输入进行分类，这其中的机理涉及到两个概念：先验概率和后验概率；先验概率是类别的先验分布 \(P(Y)\)，条件概率 \(P(X |Y)\) 是在类别条件下输入的分布，后验概率 \(P(Y |X)\) 是在输入条件下类

EM 算法 \(\operatorname{EM}\) 算法通过迭代求 \(L(\theta) = \log P(Y | \theta)\) 的极大似然估计。每次迭代包含两步：\(\operatorname{E}\) 步，求期望；\(\operatorname{M}\) 步，求极大化。 算法步骤 输入：观测变量数据 \(Y\)，隐变量数据 \(Z\)，联合分布 \(P(Y, Z | \theta)

Perceptron 感知机用于二分类线性问题，这说明感知机只能用于二分类问题，同时样本数据线性可分。 接下来会介绍感知机的数学定义，也就是感知机的输入输出映射；然后介绍感知机的学习算法，学习什么？学习的是感知机数学定义中提及到的参数；如何学习？会介绍两种方法，第一种是基于原始损失函数的迭代算法，另一种是基于原始损失函数的对偶形式的迭代算法，这两种算法本质上等价。

上下文无关文法的定义 定义文法 \(G = (V, T, P, S)\)，其中产生式，除了空产生式外，有如下特点： \[ \forall \alpha \to \beta \in P, \quad \beta \in (V \cup T)^{\ast}, \quad \text{All have } |\beta| \geq |\alpha|, \text{and } \alpha \in V \

Logistic Regression Logistic Distribution 设\(X\)是连续随机变量，\(X\)服从 logistic distribution 是指\(X\)具有下列分布函数和密度函数： \[ \begin{align} F(x) &= P(X \leq x) = \frac{1}{1 + e^{-(x-\mu)/\gamma}} \tag{1} \\ f(x)