deploy: QingGo/blog_private@75e39ceae7cb104b12190fe100046a8d83c0502a

Author: github-actions[bot]

all/index.html

@@ -12,7 +12,7 @@
 第一章：强化学习问题（The Reinforcement Learning Problem）详细讲解 1. 引言：从交互中学习 强化学习的核心思想源于我们日常生活中的一种学习方式：通过与环境的交互，根据结果调整行为，从而达成某种目标。
 例如，一个婴儿通过挥动手臂 …</p><div class=all-card-tags><span>#Book Summary</span><span>#Reinforcement Learning</span></div></a></article><article class=all-card><a class=all-card-link href=/notes/probabilistic-machine-learning-an-introduction-summary/><div class=all-meta><span class=all-section>Notes</span>
 <time datetime=2026-03-12>2026-03-12</time>
-<span>· 51 min</span></div><h2 class=all-card-title>《Probabilistic Machine Learning: An Introduction》Summary</h2><p class=all-card-summary>Anki 卡片
+<span>· 52 min</span></div><h2 class=all-card-title>《Probabilistic Machine Learning: An Introduction》Summary</h2><p class=all-card-summary>Anki 卡片
 第1章“Introduction”详细讲解 本章是《Probabilistic Machine Learning: An Introduction》的开篇，旨在为读者建立机器学习的基本框架，定义核心概念，介绍三种主要的学习范式（监督学习、无监督学习、强化学习）， …</p><div class=all-card-tags><span>#Book Summary</span><span>#Machine Learning</span></div></a></article><article class=all-card><a class=all-card-link href=/notes/prml-summary/><div class=all-meta><span class=all-section>Notes</span>
 <time datetime=2026-03-09>2026-03-09</time>
 <span>· 43 min</span></div><h2 class=all-card-title>PRML Summary</h2><p class=all-card-summary>Anki 卡片

index.json

@@ -1,4 +1,4 @@
-<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/"><channel><title>QingGo的碎碎念</title><link>https://qinggo.github.io/</link><description>Recent content on QingGo的碎碎念</description><generator>Hugo</generator><language>zh-cn</language><lastBuildDate>Fri, 20 Mar 2026 17:41:22 +0800</lastBuildDate><atom:link href="https://qinggo.github.io/index.xml" rel="self" type="application/rss+xml"/><item><title>Probabilistic Machine Learn Advanced Topics Summary</title><link>https://qinggo.github.io/notes/probabilistic-machine-learn-advanced-topics-summary/</link><pubDate>Fri, 20 Mar 2026 11:15:01 +0800</pubDate><guid>https://qinggo.github.io/notes/probabilistic-machine-learn-advanced-topics-summary/</guid><description>&lt;p&gt;&lt;img alt="MLAPP-2-2-mindmap.png" loading="lazy" src="https://qinggo.github.io/images/MLAPP-2-2-mindmap.png"&gt;&lt;/p&gt;
+<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/"><channel><title>QingGo的碎碎念</title><link>https://qinggo.github.io/</link><description>Recent content on QingGo的碎碎念</description><generator>Hugo</generator><language>zh-cn</language><lastBuildDate>Fri, 20 Mar 2026 17:46:48 +0800</lastBuildDate><atom:link href="https://qinggo.github.io/index.xml" rel="self" type="application/rss+xml"/><item><title>Probabilistic Machine Learn Advanced Topics Summary</title><link>https://qinggo.github.io/notes/probabilistic-machine-learn-advanced-topics-summary/</link><pubDate>Fri, 20 Mar 2026 11:15:01 +0800</pubDate><guid>https://qinggo.github.io/notes/probabilistic-machine-learn-advanced-topics-summary/</guid><description>&lt;p&gt;&lt;img alt="MLAPP-2-2-mindmap.png" loading="lazy" src="https://qinggo.github.io/images/MLAPP-2-2-mindmap.png"&gt;&lt;/p&gt;
 &lt;p&gt;&lt;a href="https://qinggo.github.io/anki_desks/%E7%AE%97%E6%B3%95%E7%9F%A5%E8%AF%86%E7%82%B9__MLAPP2-2.apkg"&gt;Anki 卡片&lt;/a&gt;&lt;/p&gt;
 &lt;h1 id="probabilistic-machine-learning-advanced-topics第1章introduction详细讲解"&gt;《Probabilistic Machine Learning: Advanced Topics》第1章“Introduction”详细讲解&lt;/h1&gt;
 &lt;h2 id="1-引言从曲线拟合到世界理解"&gt;1. 引言：从“曲线拟合”到“世界理解”&lt;/h2&gt;

index.xml

@@ -24,7 +24,7 @@
 解释：
 任务 $T$：系统要完成的目标（例如分类、回归）。 经验 $E$：训练数据或交互历史。 性能 $P$：衡量任务完成质量的指标（如准确率、均方误差）。 概率视角：本书将所有未知量（如未来预测、模型参数）视为随机变量，用概率分布描述其不确定性。这种视角的优势在于：
 它是处理不确定性的最优决策框架（第5章）。 它是连接机器学习与统计学、信息论、控制论等其他科学领域的统一语言。 1.2 监督学习 监督学习是最常见的机器学习形式。其核心是学习一个从输入 $x \in \mathcal{X}$ 到输出 $y \in \mathcal{Y}$ 的映射 $f$，基于已知的输入-输出对训练集 $\mathcal{D} = \{(x_n, y_n)\}_{n=1}^N$。
-...</p></div><footer class=entry-footer><span title='2026-03-12 11:40:41 +0800 +0800'>2026年3月12日</span>&nbsp;·&nbsp;<span>51 分钟</span>&nbsp;·&nbsp;<span>QingGo</span></footer><a class=entry-link aria-label="post link to 《Probabilistic Machine Learning: An Introduction》Summary" href=https://qinggo.github.io/notes/probabilistic-machine-learning-an-introduction-summary/></a></article><article class=post-entry><header class=entry-header><h2 class=entry-hint-parent>PRML Summary</h2></header><div class=entry-content><p>Anki 卡片
+...</p></div><footer class=entry-footer><span title='2026-03-12 11:40:41 +0800 +0800'>2026年3月12日</span>&nbsp;·&nbsp;<span>52 分钟</span>&nbsp;·&nbsp;<span>QingGo</span></footer><a class=entry-link aria-label="post link to 《Probabilistic Machine Learning: An Introduction》Summary" href=https://qinggo.github.io/notes/probabilistic-machine-learning-an-introduction-summary/></a></article><article class=post-entry><header class=entry-header><h2 class=entry-hint-parent>PRML Summary</h2></header><div class=entry-content><p>Anki 卡片
 《模式识别与机器学习》（PRML）第1章“引言”教学讲解 1. 本章概述与学习目标 第1章是全书的总纲，作者 Christopher M. Bishop 在这一章中系统地介绍了模式识别和机器学习的核心思想、数学工具以及基本框架。本章不涉及复杂的技术细节，而是为后续各章奠定概念基础和提供统一的视角。学习本章后，你应该能够：
 理解模式识别的基本问题：从数据中自动发现规律并用于预测或决策。 掌握概率论在不确定性建模中的核心作用。 区分不同学习类型（监督学习、无监督学习、强化学习）。 通过多项式曲线拟合的例子，理解模型复杂度、过拟合与泛化、正则化等关键概念。 了解贝叶斯方法的基本思想及其与最大似然估计的区别。 掌握决策理论的基本框架（风险最小化、推断与决策分离）。 理解信息论中的熵、相对熵（KL散度）和互信息，并知道它们与最大似然的关系。 初步了解维度灾难及其对高维数据建模的影响。 本章的内容是后续所有章节的基础，特别是概率论、决策理论和信息论的工具将在全书反复使用。
 2. 由浅入深：从模式识别问题到核心概念 2.1 什么是模式识别？ 定义：模式识别是使用计算机算法自动发现数据中的规律，并利用这些规律执行分类、回归等任务的过程。

notes/index.html

@@ -24,7 +24,7 @@
 解释：
 任务 $T$：系统要完成的目标（例如分类、回归）。 经验 $E$：训练数据或交互历史。 性能 $P$：衡量任务完成质量的指标（如准确率、均方误差）。 概率视角：本书将所有未知量（如未来预测、模型参数）视为随机变量，用概率分布描述其不确定性。这种视角的优势在于：
 它是处理不确定性的最优决策框架（第5章）。 它是连接机器学习与统计学、信息论、控制论等其他科学领域的统一语言。 1.2 监督学习 监督学习是最常见的机器学习形式。其核心是学习一个从输入 $x \in \mathcal{X}$ 到输出 $y \in \mathcal{Y}$ 的映射 $f$，基于已知的输入-输出对训练集 $\mathcal{D} = \{(x_n, y_n)\}_{n=1}^N$。
-...</p></div><footer class=entry-footer><span title='2026-03-12 11:40:41 +0800 +0800'>2026年3月12日</span>&nbsp;·&nbsp;<span>51 分钟</span>&nbsp;·&nbsp;<span>QingGo</span></footer><a class=entry-link aria-label="post link to 《Probabilistic Machine Learning: An Introduction》Summary" href=https://qinggo.github.io/notes/probabilistic-machine-learning-an-introduction-summary/></a></article><article class="post-entry tag-entry"><header class=entry-header><h2 class=entry-hint-parent>PRML Summary</h2></header><div class=entry-content><p>Anki 卡片
+...</p></div><footer class=entry-footer><span title='2026-03-12 11:40:41 +0800 +0800'>2026年3月12日</span>&nbsp;·&nbsp;<span>52 分钟</span>&nbsp;·&nbsp;<span>QingGo</span></footer><a class=entry-link aria-label="post link to 《Probabilistic Machine Learning: An Introduction》Summary" href=https://qinggo.github.io/notes/probabilistic-machine-learning-an-introduction-summary/></a></article><article class="post-entry tag-entry"><header class=entry-header><h2 class=entry-hint-parent>PRML Summary</h2></header><div class=entry-content><p>Anki 卡片
 《模式识别与机器学习》（PRML）第1章“引言”教学讲解 1. 本章概述与学习目标 第1章是全书的总纲，作者 Christopher M. Bishop 在这一章中系统地介绍了模式识别和机器学习的核心思想、数学工具以及基本框架。本章不涉及复杂的技术细节，而是为后续各章奠定概念基础和提供统一的视角。学习本章后，你应该能够：
 理解模式识别的基本问题：从数据中自动发现规律并用于预测或决策。 掌握概率论在不确定性建模中的核心作用。 区分不同学习类型（监督学习、无监督学习、强化学习）。 通过多项式曲线拟合的例子，理解模型复杂度、过拟合与泛化、正则化等关键概念。 了解贝叶斯方法的基本思想及其与最大似然估计的区别。 掌握决策理论的基本框架（风险最小化、推断与决策分离）。 理解信息论中的熵、相对熵（KL散度）和互信息，并知道它们与最大似然的关系。 初步了解维度灾难及其对高维数据建模的影响。 本章的内容是后续所有章节的基础，特别是概率论、决策理论和信息论的工具将在全书反复使用。
 2. 由浅入深：从模式识别问题到核心概念 2.1 什么是模式识别？ 定义：模式识别是使用计算机算法自动发现数据中的规律，并利用这些规律执行分类、回归等任务的过程。

notes/probabilistic-machine-learning-an-introduction-summary/index.html

@@ -1 +1 @@
-<?xml version="1.0" encoding="utf-8" standalone="yes"?><urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9" xmlns:xhtml="http://www.w3.org/1999/xhtml"><url><loc>https://qinggo.github.io/tags/book-summary/</loc><lastmod>2026-03-20T17:41:22+08:00</lastmod></url><url><loc>https://qinggo.github.io/tags/machine-learning/</loc><lastmod>2026-03-20T17:41:22+08:00</lastmod></url><url><loc>https://qinggo.github.io/notes/probabilistic-machine-learn-advanced-topics-summary/</loc><lastmod>2026-03-20T17:41:22+08:00</lastmod></url><url><loc>https://qinggo.github.io/</loc><lastmod>2026-03-20T17:41:22+08:00</lastmod></url><url><loc>https://qinggo.github.io/tags/</loc><lastmod>2026-03-20T17:41:22+08:00</lastmod></url><url><loc>https://qinggo.github.io/notes/deep-learning-goodfellow/</loc><lastmod>2026-03-20T13:24:40+08:00</lastmod></url><url><loc>https://qinggo.github.io/notes/sutton-rl-v2-summary/</loc><lastmod>2026-03-20T13:24:40+08:00</lastmod></url><url><loc>https://qinggo.github.io/tags/reinforcement-learning/</loc><lastmod>2026-03-20T13:24:40+08:00</lastmod></url><url><loc>https://qinggo.github.io/notes/probabilistic-machine-learning-an-introduction-summary/</loc><lastmod>2026-03-12T15:44:14+08:00</lastmod></url><url><loc>https://qinggo.github.io/tags/bayes/</loc><lastmod>2026-03-12T14:56:47+08:00</lastmod></url><url><loc>https://qinggo.github.io/notes/prml-summary/</loc><lastmod>2026-03-12T14:56:47+08:00</lastmod></url><url><loc>https://qinggo.github.io/tags/causal-inference/</loc><lastmod>2026-03-12T10:27:35+08:00</lastmod></url><url><loc>https://qinggo.github.io/notes/the-book-of-why-summary/</loc><lastmod>2026-03-12T10:27:35+08:00</lastmod></url><url><loc>https://qinggo.github.io/notes/what-is-devops-and-sre/</loc><lastmod>2026-01-21T13:59:28+08:00</lastmod></url><url><loc>https://qinggo.github.io/tags/%E7%AC%94%E8%AE%B0/</loc><lastmod>2026-01-21T13:59:28+08:00</lastmod></url><url><loc>https://qinggo.github.io/tags/%E9%9A%8F%E6%83%B3/</loc><lastmod>2021-11-25T22:16:29+08:00</lastmod></url><url><loc>https://qinggo.github.io/2021/11/25/%E4%BB%A5%E7%BB%88%E4%B8%BA%E5%A7%8B/</loc><lastmod>2021-11-25T22:16:29+08:00</lastmod></url><url><loc>https://qinggo.github.io/2020/05/10/hello-hexo/</loc><lastmod>2026-01-21T13:26:55+08:00</lastmod></url><url><loc>https://qinggo.github.io/categories/</loc></url><url><loc>https://qinggo.github.io/notes/</loc><lastmod>2026-01-21T13:26:55+08:00</lastmod></url><url><loc>https://qinggo.github.io/posts/</loc><lastmod>2026-01-21T13:13:51+08:00</lastmod></url><url><loc>https://qinggo.github.io/projects/</loc><lastmod>2026-01-21T14:17:57+08:00</lastmod></url><url><loc>https://qinggo.github.io/search/</loc><lastmod>2026-01-21T12:43:11+08:00</lastmod></url><url><loc>https://qinggo.github.io/series/</loc><lastmod>2026-01-21T13:49:09+08:00</lastmod></url><url><loc>https://qinggo.github.io/about/</loc><lastmod>2026-01-21T13:59:28+08:00</lastmod></url><url><loc>https://qinggo.github.io/all/</loc><lastmod>2026-03-10T16:46:53+08:00</lastmod></url><url><loc>https://qinggo.github.io/series/book-summary/</loc><lastmod>2026-03-10T13:32:54+08:00</lastmod></url></urlset>
+<?xml version="1.0" encoding="utf-8" standalone="yes"?><urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9" xmlns:xhtml="http://www.w3.org/1999/xhtml"><url><loc>https://qinggo.github.io/tags/book-summary/</loc><lastmod>2026-03-20T17:46:48+08:00</lastmod></url><url><loc>https://qinggo.github.io/tags/machine-learning/</loc><lastmod>2026-03-20T17:46:48+08:00</lastmod></url><url><loc>https://qinggo.github.io/notes/probabilistic-machine-learn-advanced-topics-summary/</loc><lastmod>2026-03-20T17:41:22+08:00</lastmod></url><url><loc>https://qinggo.github.io/</loc><lastmod>2026-03-20T17:46:48+08:00</lastmod></url><url><loc>https://qinggo.github.io/tags/</loc><lastmod>2026-03-20T17:46:48+08:00</lastmod></url><url><loc>https://qinggo.github.io/notes/deep-learning-goodfellow/</loc><lastmod>2026-03-20T13:24:40+08:00</lastmod></url><url><loc>https://qinggo.github.io/notes/sutton-rl-v2-summary/</loc><lastmod>2026-03-20T13:24:40+08:00</lastmod></url><url><loc>https://qinggo.github.io/tags/reinforcement-learning/</loc><lastmod>2026-03-20T13:24:40+08:00</lastmod></url><url><loc>https://qinggo.github.io/notes/probabilistic-machine-learning-an-introduction-summary/</loc><lastmod>2026-03-20T17:46:48+08:00</lastmod></url><url><loc>https://qinggo.github.io/tags/bayes/</loc><lastmod>2026-03-12T14:56:47+08:00</lastmod></url><url><loc>https://qinggo.github.io/notes/prml-summary/</loc><lastmod>2026-03-12T14:56:47+08:00</lastmod></url><url><loc>https://qinggo.github.io/tags/causal-inference/</loc><lastmod>2026-03-12T10:27:35+08:00</lastmod></url><url><loc>https://qinggo.github.io/notes/the-book-of-why-summary/</loc><lastmod>2026-03-12T10:27:35+08:00</lastmod></url><url><loc>https://qinggo.github.io/notes/what-is-devops-and-sre/</loc><lastmod>2026-01-21T13:59:28+08:00</lastmod></url><url><loc>https://qinggo.github.io/tags/%E7%AC%94%E8%AE%B0/</loc><lastmod>2026-01-21T13:59:28+08:00</lastmod></url><url><loc>https://qinggo.github.io/tags/%E9%9A%8F%E6%83%B3/</loc><lastmod>2021-11-25T22:16:29+08:00</lastmod></url><url><loc>https://qinggo.github.io/2021/11/25/%E4%BB%A5%E7%BB%88%E4%B8%BA%E5%A7%8B/</loc><lastmod>2021-11-25T22:16:29+08:00</lastmod></url><url><loc>https://qinggo.github.io/2020/05/10/hello-hexo/</loc><lastmod>2026-01-21T13:26:55+08:00</lastmod></url><url><loc>https://qinggo.github.io/categories/</loc></url><url><loc>https://qinggo.github.io/notes/</loc><lastmod>2026-01-21T13:26:55+08:00</lastmod></url><url><loc>https://qinggo.github.io/posts/</loc><lastmod>2026-01-21T13:13:51+08:00</lastmod></url><url><loc>https://qinggo.github.io/projects/</loc><lastmod>2026-01-21T14:17:57+08:00</lastmod></url><url><loc>https://qinggo.github.io/search/</loc><lastmod>2026-01-21T12:43:11+08:00</lastmod></url><url><loc>https://qinggo.github.io/series/</loc><lastmod>2026-01-21T13:49:09+08:00</lastmod></url><url><loc>https://qinggo.github.io/about/</loc><lastmod>2026-01-21T13:59:28+08:00</lastmod></url><url><loc>https://qinggo.github.io/all/</loc><lastmod>2026-03-10T16:46:53+08:00</lastmod></url><url><loc>https://qinggo.github.io/series/book-summary/</loc><lastmod>2026-03-10T13:32:54+08:00</lastmod></url></urlset>