本文始发于个人公众号：TechFlow，原创不易，求个关注 在之前的文章当中，我们推导了线性回归的公式，线性回归本质是线性函数，模型的原理不难，核心是求解模型参数的过程。通过对线性回归的推导和学习，我们基本上了解了机器学习模型学习的过程，这是机器学习的精髓，要比单个模型的原理重要得多。 新关注和有所遗忘的同学可以点击下方的链接回顾一下之前的线性回归和梯度下降的内容。 一文讲透梯度下降法 详细推导线性回归模型 回归与分类 在机器学习当中，模型根据预测结果的不同分为两类，如果我们希望模型预测一个或者多个连续值，这类问题被称为是回归问题。像是常见的未来股票价格的估计、未来温度估计等等都算是回归

Livescript 包含由于超精细相互作用和外部静磁场引起的碱金属原子基态简并分裂的分析结果和数值模拟。 超精细相互作用在 AMO 物理实验以及电子顺磁共振 (EPR) 光谱实验中起着至关重要的作用，这些化合物包含对其局部“微”环境敏感的未配对 s 壳电子。 给出了 Breit-Rabi 方程的详细推导，包括所有原子自旋态的构建，从最高权重的一开始

Turbo码译码很久不用，都快忘了。周末闲来无事，对双二进制Turbo码译码算法重新进行推导，记录一下，推导公式适用任意Turbo码，如3GPP、DVB-RCS/DVB-RCS2使用的Turbo码。如有问题，欢迎交流。本来想转成markdown，直接传上来，半天每折腾成功......

本文档包含SVM的详细推导过程和一些别的资料没有记载的理解。非常适合入门和想具体理解一些细微处的同学。

PCA，主成分分析，详细推导。

SVM支持向量机算法的详细推导(详细到每个步骤_值得推荐)，简单易懂，有清晰的注释以及代码详解，对SVM爱好者来说绝对的福音

内含kalman滤波算法的详细推导。Kalman滤波器是一种线性的离散时间有限维系统。Kalman滤波器的估计性能是：它使滤波后的状态估计误差的相关矩阵P(n)的迹最小化。这意味着，kalman滤波器是状态向量x(n)的线性最小差估计。

傅里叶变换公式超详细推导(读这一篇就够了)

后向线性预测滤波器bM(n)的推导；丁玉美的研究生 数字信号处理 时域离散随机信号处理，纠正了课本中的很多错误。

——牵连加速度 —— 由 的大小发生改变所产生的，如参照系 以 恒定角速度转动，则此项为零； ——科里奥利加速度 对转动参照系来讲，绝对加速度等于相对加速度、牵连加速度与科里奥利加速度三者的矢量和。 注意：绝对速度与绝对加速度都是从静止参照系来观测一个在转动参照系中质点P的速度与加速度的，如果从转动参照系中来看，只能看到相对速度与相对加速度。 ——是由于 系以角速度 转动所产生的。 是由于质点P对转动的 系有一相对速度，从而 与 相互影响所产生的，若两者平行或有一为零，此项加速度为零。