Origin of Ray

系统结构的矩阵表达

邻接矩阵

邻接矩阵A是表达系统间要素基本二元关系或直接联系情况的方阵。若$A = (a_{ij})_{n \times n}$，则其定义式为：

$$a_{ij} = \begin{cases} 1, S_iRS_j(S_i对S_j有某种二元关系) \\ 0, S_i\bar{R}S_j(S_i对S_j没有某种二元关系) \end{cases}$$

ECS 架构简单来说就是用实体来组合组件，用组件来保存数据，用系统来进行运算。单一的实体没有任何意义，只有在组合组件之后这个实体才有意义。组件只能用于保存数据，不能自己进行任何的运算。系统只负责运算，不会持久化保存任何数据。这样就把数据和逻辑分离开来，通过组合的方式实现特定的功能，实现数据和逻辑的解耦，以及逻辑与逻辑之间的解耦。

比较检验

有了评估方法和性能度量，看起来就可以对学习器的性能进行评估比较了：先使用某种实验评估方法测得学习器的某个性能度量结果，然后对这些结果进行比较，但是怎么来做这个比较呢？是直接取得性能度量的值然后“比大小”吗？

在具体了解不同的模型及其实战之前，我们还需要建立一个科学的体系去对我们的将来训练出来的模型进行量化的评价，并且这个评价要可以用数学公式表达，只有这样，才可以量化最终模型的效果，并有方向地进行优化。

AHP(Analytic Hierarchy Process)层次分析法是美国运筹学家T. L. Saaty教授于二十世纪70年代提出的一种实用的多方案或多目标的决策方法，是一种定性与定量相结合的决策分析方法。用决策者的经验判断各衡量目标之间能否实现的标准之间的相对重要程度，并合理地给出每个决策方案的每个标准的权数，利用权数求出各方案的优劣次序，比较有效地应用于那些难以用定量方法解决的课题，具有十分广泛的实用性。

但是为什么AHP是有效的，其数学原理是什么呢？

第一部分：系统工程基本概念

系统工程，就是全面地分析系统元素之间的关系，要做到全面，就要有一套工具帮我们有理可据地地找到所有的元素，接下来就是找到所有的系统元素之间的联系（耦合），并尽量减少不必要的联系（耦合），权衡互相抵制的元素之间的取舍

一个机器学习项目从开始到结束大致分为 5 步，分别是定义问题、收集数据和预处理、选择算法和确定模型、训练拟合模型、评估并优化模型性能。这 5 步是一个循环迭代的过程

什么是机器学习

这个问题其实不好回答，因为机器学习涵盖的内容太多了。机器学习之父 Arthur Samuel 对机器学习的定义是：在没有明确设置的情况下，使计算机具有学习能力的研究领域。国际机器学习大会的创始人之一 Tom Mitchell 对机器学习的定义是：计算机程序从经验 E 中学习，解决某一任务 T，进行某一性能度量 P，通过 P 测定在 T 上的表现因经验 E 而提高

之前我们讲过马尔科夫链，它描述了一种状态序列，其每个状态值取决于前面有限个状态。对很多实际问题，这种模型是一种很粗略的简化。在现实生活中，很多事物的相互关联并不能用一条链来串起来，很可能是交叉的。

在信息处理中，我们常常知道各种各样但又不完全准确的信息，我们需要一个统一的模型将这些信息综合起来。如何综合的好，是一门学问

让我们看一个拼音转汉字的简单例子，假设输入的拼音是“wang-xiao-bo”，利用语言模型，根据有限的上下文，我们可以给出两个最常见的名字：“王小波”和“王晓波”，但是要唯一确定哪个名字就难了，即使利用较长的上下文也比较难。当然，我们知道，如果通篇文章是介绍文学的，作家王小波的可能性更大，而在讨论两岸关系时，台湾学者王晓波的可能性更大。