Problem set00 是关于线性代数和多元微积分学的基本知识，Problem set 01主要是监督学习。作业要求最好使用LaTex进行编写，同时需要将library保存到environment.yml文件中，并保证run.py脚本可以正常运行。
0x01 线性分类（逻辑回归和广义线性模型）
1.1 问题回顾
Linear classifiers ( logistic regression and GDA)
在本次作业中将回顾之前的概率线性分类器，
- 判别线性分类 (discriminative linear classifier) ：逻辑回归
- 生成线性分类 （generative linear classifier）：高斯判别模型
两者均可以将一个数据集分成两类，但是基于不同的假设，本次问题的目的是找到两者的相同点和差异。
1.2 实际问题
问题1-(a)
注意Hessian矩阵为PSD，则说明损失函数是凸（convex）的，也就是存在极值点
𝑝(𝑦|𝑥,𝑡ℎ𝑒𝑡𝑎)=𝑝(𝑦,𝑥,𝑡ℎ𝑒𝑡𝑎)/𝑝(𝑥,𝑡ℎ𝑒𝑡𝑎)=𝑝(𝑥,𝑡ℎ𝑒𝑡𝑎|𝑦)𝑝(𝑦)/𝑝(𝑥,𝑡ℎ𝑒𝑡𝑎)
1-b
1-c
1-c(2)
1-d
1.3 问题求解
由于公式较多，只能给出思路
（1） 展开求导就能发现是大于0
（2）coding就完事了，numpy的MATLAB的矩阵计算方式
（3）GDA按照贝叶斯展开就行了
（4） 发现是相同的
（5）（6）（7）（8）是一些可视化的东西
0x02 不完整、只有正标签：Incomplete，Positive- only labels
2.1 问题回顾
假设在我们没有得到完整的标签的情况下的，只能确定性得到部分的正样本，而不能得到其他样本的标签。也就是所有负样本和剩余的正样本是没有标签的。
这道题的问题设置更像是一种引导，如何理解这种情况下如何构建模型
2.2 问题
2-a
2-b
2-c
后续是那个coding problem
2.3 问题解答
（1） 简单随机样本抽样
0x03 泊松分布的拟合
重新回归GLM中的三个基本假设：
GLM-assumption
GLM-assumption02
本重新认识到：
- 第一个assumption给出了y的分布！这可以用来计算似然函数
- 第二个assumption给出如何确定hypothesis，也就是模型
- 第三个assumption似乎是人们设计好的，这样我们才能对一些线性模型做假设
0x04 广义线性模型的convex相关的研究
太理论了看不下去～
0x05 加权线性回归
除了 利用gradient descent求解，也可以使用normal equation来进行参数的求解；非常的奇妙！
注意这部分和后面的attention有关系
后面的公式太多了不想打，
0x06 感悟
动手才能发现学习的问题所在，动手才能知道代码应该如何实践！
对于现实世界的抽象可以帮助我们进一步学习和研究，虽然矩阵的定义很简单，但是只有在这个抽象定义的基础上才能发展出线性代数这门学科，才能用此解决问题。