开个专题，研究矩阵分解的方法。

纳什均衡

纳什均衡指的是这样一种策略组合，即在给定别人策略的情况下，没有人愿意单方面改变自己的策略，从而打破这种均衡。
数学表示：

// 公式太长了，下次补上

纳什均衡的一致预测性质:
一致预测：
如果所有博弈方都预测一个特定博弈结果会出现，所有博弈方都不会选择与预测结果不一致的策略，即没有哪个博弈方有偏离这个预测结果的愿望，因此预测结果会成为博弈的最终结果。
只有纳什均衡才具有一致预测的性质。一致预测性是纳什均衡的本质属性。
一致预测并不意味着一定能准确预测，因为有多重均衡， 预测不一致的可能。

对分类器设计来说，使用什么样的特征描述事物，也就是说使用什么样的特征空间是个很重要的问题。这个问题称之为描述量的选择问题，意思是指保留哪些描述量，删除哪些描述量的问题。
本章节研究对特征空间进行改造,目的在于提高其某方面的性能，因此又称特征的优化问题。

Algorithm review of M.H.Alsuwaiyel, Algorithms design techniques and Analysis, Publishing House of Electronics Industry.

线性判别方法linear discriminant analysis, LDA, R.A.

A fast C++ header-only library to help you quickly write parallel programs with complex task dependencies.
https://github.com/cpp-taskflow/cpp-taskflow

本blog总结单变量正态分布以及多元正态分布和他们的性质。

根据概率论中的贝叶斯公式，有：

$$P(\omega_i|x)=\frac{p(x,\omega_i)}{p(x)}=\frac{p(x|\omega_i)p(\omega_i)}{p(x)},i=1,2,...$$

• $p(\omega_i)$是先验概率
• $p(x,\omega_i)$是联合概率分布
• $p(x)$是总体密度
• $p(x|\omega_i)$是第$i$类x的概率密度，即类条件概率

这样，后验概率就转换成先验概率与类条件概率密度的乘积，再用总体密度进行归一化。这就是贝叶斯决策。

本blog整理google自家的工具链，包括glags、glog、gtest、protocol-buffers

L-lipschitz连续性是最近优化课程经常提到的一个基础内容，老师人很nice，讲课也很有开放性，每次都需要做大量的预习和课后复习才能完全消化。所以最近的Blog基本上都离不开数学主题了。
课堂引出L-lipschitz是为了衡量一个凸函数是否容易优化，通过函数光滑的程度和凸的程度来判断，原文是：$\nabla f$ is L-lipschitz and $f$ $\mu$-strongly convex.