我一开始看，作者说这里面只涉及概率最核心的两个公式。一个是加法，一个是乘法。到了后来完全不知道她在讲啥。到无向图就完全懵了。大家都是咋学习概率图的？

英文内容我看的很不顺畅，谁能帮我比较通俗易懂的解释一下，以切比雪夫聚合为例即可。

我刚读研一，自己对大数据的处理分析比较感兴趣，导师让我看深度学习方面的论文和deeplearning4j方面的算法源代码，但是自己不知道如何把spark和深度学习结合起来，以后还是想出来工作的不做研究，我该怎么做呢，对了，学习spark需要hadoop基础，我现在没有这方面基础，只有java基础。

最近论文需要用到wavecluster，但是在网上找了资料，基本都是下面的这些，基本上看不太懂，求大神指教一下，如果能有具体的代码或者伪代码就最好啦，谢谢大神 步骤1） 对特征空间进行量化，把每个维度分成m段，这样，整个空间分成单元，然后把对象分机到相应的单元； 步骤2） 对量化后的特征空间进行离散小波变换； 步骤3） 在变化后的特征空间的子波段中找出相连的部分，就是簇； 步骤4） 为每个簇所包含的单元分配相应的标签； 步骤5） 建立查找表，用于把变换后特征空间中的单元映射到原特征空间中的单元； 步骤6） 把每个单元的标签分配给该单元内的所有对象。

最近在看人工智能／机器学习／自然语言处理相关的东西，作为一个软件pm，想请教各位大神，在人工智能产品化的过程中，产品经理主要在做什么事情，定义的是什么东西，输出又是什么？市面上很多语音助手类产品，产品经理应当梳理常见的问答场景，除此之外呢？

推荐系统里常用矩阵分解算法，它把latent factor看做两个低秩矩阵相乘。这本质上是假设lantent factor都是线性的。这个假设有什么概率上和现实意义上的依据？有没有可能latent factor是恰恰非线性的，导致推荐算法失效？

就是选取一系列样本作为列，然后选一系列特征值作为行，成为instance矩阵，然后再把每一个样本的class标出来，写成一个向量的形式，用svmtrain并选用核函数得到model，然后用svmpredict和model预测testinstance矩阵中例子的class，是这样吗？

收到个什么机器学习培训班的广告，翻了下，发现里头写的课程，大部分看起来还好，感觉就和上过的数值分析课差不太远，看到下面17、19后就感觉无语了： 第17课 变分KL(p||q)与KL(q||p)分析、平均场理论 第19课 条件随机场CRF 无向图模型、MRF、前向-后向算法 一节课就想讲完！作为一个统计物理、固体物理不得不看了好久书的人，感觉真能搞清楚这两个，足以论文灌水了。这个培训班广告也太能吹了。 既然如此，现在实际中，机器学习都是用的哪些算法？ 从网易云音乐、今日头条的使用体验来看，我估计肯定没用什么复杂算法，而且从一些弱智推荐结果看，一些最基本问题都没处理好。

想要配置一个用于深度学习的机器，暂时用2个GTX Titan x,后期可能想要扩展到用4个GTX Titan x，能扩展到8个更好，应该如何配置呢？主板、cpu、内存、硬盘、机箱、电源、散热这些都需要考虑。

primal problem：定义集合A：为什么primal problem 是 convex problem的时候A是一个凸集？说明：限制在convex problem里意味着是convex function，是affine function