本章仅讨论条件随机场在 标注问题（tagging problem） 的应用，因此主要讲述 线性链（linear chain） 条件随机场。 概率无向图模型 成对马尔可夫性 节点 \(u\)、\(v\) 和所有其他节点 \(O\)，对应的随机变量分别为 \(Y_u\)、\(Y_v\)、\(Y_O\)（\(Y\) 表示随机变量）。它们具有以下概率关系： \[ P(Y_u, Y_v | Y_O) = P

Introduction 网络层有如下功能： - 将从 transport layer 传来的 segment 打包成 datagram，再将 datagram 中的 segment 分离开传给 transport layer。 - 网络层协议应用在 host 和 router 中。 Router 和 Switch 都属于 packet switch。 尽管路由器和链路层交换机都被称为packet

AdaBoost 算法 Data Information： 二分类训练数据集 \(T\) \[ \begin{align} T& = \{(x_1, y_1), (x_2, y_2), \ldots, (x_N, y_N)\} \\ x_i \in \mathcal{X}& = \mathbb{R}^n, \quad y_i \in \mathcal{Y} = \{+1, -1\}

线性可分支持向量机 训练数据 \[ T = \{(x_1, y_1), (x_2, y_2), \ldots, (x_N, y_N)\} \] \[ x_i \in \mathcal{X} = \mathbb{R}^n, \quad y_i \in \mathcal{Y} = \{+1, -1\}, \quad i = 1, 2, \ldots, N \] 分离超平面 \[ w^* \cdot x

背景知识 PDA形式化描述 \[ \text{PDA} \quad M = (Q, \Sigma, \Gamma, \delta, q_0, Z_0, F) \tag{1} \] - \(Q\)：状态集合 - \(\Sigma\)：字母表 - \(\Gamma\)：栈符号表 - \(\delta\)：状态转移函数 - \(q_0\)：开始状态 - \(Z_0\)：栈底符号 - \(F\)：终态集合

决策树 本文章中，总数据集是 \(D\)，属性集是 \(a\)，其中 \(a = \{a^1, a^2, \ldots, a^V \}\)，表示属性 \(a\) 有 \(V\) 种取值；\(D^v = \{D(\text{attribute}(a) = a^v)\}\) 则表示总数据集 \(D\) 中满足属性 \(a = a^v\) 的数目。 决策树是一种分类算法，本文将介绍三种决策树算法，包括三

隐马尔科夫模型的定义 隐马尔科夫模型有如下两个假设：任意状态只依赖于前一时刻状态和任意时刻的观测只依赖于该时刻的马尔科夫链的状态。 设 \(Q\) 是所有可能的状态的集合，\(V\)是所有可能的观测的集合： \[ Q =\{q_1, q_2, \dots, q_N\}, \quad V = \{v_1, v_2, \dots, v_M\} \] 其中，\(N\) 是可能的状态数，\(M\) 是可能