准备工作

在本地安装好Git

Git常用命令

必要插件安装

1. 安装Remote-SSH （或者Remote Development这个插件合集，其中包含了SSH）
2. 安装Python Extensions

硅谷精神之父在70岁生日之际送给大家的一份礼物🎁

• 大约 99% 的情况下，正确开始的时间就是现在。

本地安装Git，且已在环境变量中配置
Windows系统下的使用教程

在VScode中配置Git路径

在settings.json中添加配置

本人使用的LaTeX环境为：
VScode 1.66.2
LaTeX-workshop v8.25.0
MikTex

由于直接复制网络上他人的教程导致无法适用于自己的环境，bib的reference始终无法正确识别 [在正文中以？出现]，经过不断的尝试，终于找到原因：

等量变换

概率场景：

由于概率分布的积分对应面积为1，所以在微分角度上，两个分布的变化量是相等的，则有：
$$
p(x)dx=p(y)dy \
p(y)=p(x)\left|\frac{dx}{dy}\right|
$$

关于VAE

关于Flow

缺点

由于必须保证逆变换简单和雅可比行列式容易计算，那么每一层的非线性变换能力都很弱。所以为了保证充分的拟合能力，模型就必须堆得非常深，计算量非常大。

单变量高斯分布(univariate Gaussian )

$$
f(x)=\frac{1}{\sqrt{2 \pi} \sigma} \exp \left(-\frac{(x-\mu)^{2}}{2 \sigma^{2}}\right)
$$

决策树（decision tree）是一种基本的分类和回归方法，它可以任务是if-then规则（互斥且完备）的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。
因为从所有可能的决策树中选取最优决策树是NP完全问题，所以现实中决策树学习算法通常采用启发式方法，近似求解这一最优化问题，得到的决策树是sub-optimal的。
决策树的生成对应于模型的局部选择局部最优，决策树的剪枝对应于模型的全局选择全局最优。

3.1 $k$近邻算法 （$k$-nearest neighbor, KNN）

输入： 训练集$T={(x_1,y_1),(x_2,y_2),\cdots,(x_N,y_N)}$
输出： 实例$x$所属类别$y$
1-根据给定的距离度量，在训练集$T$中找出与$x$最近邻的$k$个点，涵盖这$k$个点的$x$的领域记作$N_k(x)$;
2-在$N_k(x)$中根据分类决策规则决定$x$的类别$y$：$y=\arg\max_{c_j}\sum_{x_i\in N_k(x)}{I(y_i=c_j)}$，$I$为指示函数。

是一种基本分类与回归方法，没有显式的学习过程