主成分分析(Principal Component Analysis, PCA)是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。

本文从PCA的目的、思想、原理背后的含义出发，试图清晰地解决几个问题：

• 为什么用PCA
• 怎么用PCA
• 为什么这么用PCA

《好运设计》史铁生，在高三的时候读过，第二次读的收获更多了，很感动。

我们绞尽脑汁设计的那个好运者，到最后，竟然就是此生此世的自己。

本文简单介绍了感知机(Perceptron)与支持向量机(Support Vector Machine SVM)的部分概念。

本文没有系统地介绍两种算法，只是作为四川大学彭玺老师《机器学习引论》的课程作业和笔记，以供参考。

机器学习中有一个概念叫做『线性可分』，意思是可以画一条线把把两个不同的类别分开，比方说男左女右排好队，就是线性可分的。不过有的时候大家混在一起乱成一锅粥，完全没有办法找到这么一条线，这时候怎么办呢？也有办法，就是不通过当前的角度来看问题，把问题投射到更高维的空间去，就可能在更高维的空间里找到新的『线性可分』。

-小土刀《学语言与买东西》

未经省察的人生不值得过。

整个统计机器学习模型选择的逻辑，在我看来，其实是：

1. 模型测试：通过某种方法（留出法、交叉验证法……），使模型输出一系列数据，这个数据是其性能的表现；
2. 性能度量：根据模型展示出的一系列数据，运用数学方法对数据进行处理，使得处理后的数据能够直观地代表模型的性能；(就是问题一讨论的内容)
3. 模型评估：对由第二步处理后的数据进行比较，每个模型都有自己的性能度量数据，我们将每个模型的性能度量数据进行比较，这个比较不是单纯的比大小，需要运用数学方法对每个模型的性能度量数据进行处理，在处理完后得到的数据，才能进行比较；
4. 模型选择：根据比较的结果，选择最好的模型。

每个步骤的名称是我自己定的，肯定和经典书籍中的描述有所出入，整个流程的逻辑应该是清楚的。

本文简述了模型评估与选择的第1步和第2步，具体地说，本文解决了两个问题：

1. 怎样进行模型测试；
2. 如何得到一个模型的性能度量。

今年修了四川大学潘无名老师的「AI面向语言编程」课程，这门课程的期末论文要求对SLD消解进行简单叙述，因此我对相关内容进行了粗浅的学习。

此篇为关于SLD消解的学习笔记，简略介绍了SLD消解的原理和思想。

因为时间比较紧张，故没有仔细斟酌行文结构、语法、语言流畅度，读起来十分缺乏user-friendliness，以后如果有时间，会试图讲得更详细、明白些的。

上世纪八十年代，经济繁荣与民族主义盛行，让日本试图借第五代计算机超越美国，在信息领域建立起领导者地位。但最终野心勃勃的五代机以失败收场。 当前，中国人工智能研究是否存在虚假繁荣，或许日本的教训值得引以为戒。

依据三维体数据，将所有体细节同时展现在二维图片上的技术，称之为体绘制技术。

利用体绘制技术，可以在一幅图像中显示多种物质的综合分布情况，并且可以通过不透明度的控制，反应等值面的情况。

幸福找到我

幸福说：“瞧 这个诗人

他比我本人还要幸福。”

-海子《幸福一日 致秋天的花楸树》

本文介绍了一种文本生成的方法，关键技术为生成对抗网络（GAN）和强化学习（RL）。

内容主要包括方法的数学原理、实现思路和具体实现细节。