标签：梯度 线性 相互 http pca 最优化问题 最优 约束 信息
梯度方向：上升的方向
梯度下降：沿着梯度的反方向下降，来最小化损失函数，也就是沿着梯度的反方向
泰勒级数：展开式通项
贝叶斯公式：后验概率=先验概率*条件概率
特征值与特征向量：特征值不同，特征向量线性无关
PCA:降维的同时尽可能的保留原始的信息
过程
1)先求解协方差矩阵
2)求解协方差矩阵的特征向量和特征值
3)特征值从大到小排列，选择特征值对应的特征向量
4)这些特征向量相互正交，作为正交基向量
凸优化问题;一般的约束性最优化问题
求解约束问题的极值问题：把约束优化转化成无约束问题
其中KKT条件，就是优化问题求解的可行域
转化方法：朗格朗日方法
标签：梯度 线性 相互 http pca 最优化问题 最优 约束 信息
原文地址：http://www.cnblogs.com/hustercn/p/7710575.html
