第一讲：模式识别导论

这是我根据第一讲内容整理的笔记版本。目标不是完整复述老师的每一句话，而是抓住最核心的问题，再补上我自己的理解。

老师讲了什么

模式识别研究的是如何根据观测数据，对对象所属的类别或结构做出判断。一个最基础的任务是分类：给定样本特征向量 $x$ ，判断它属于哪一类 $\omega_{i}$ 。

\omega^{*}(x) = \arg\max_{\omega_{i}} P(\omega_{i} \mid x)

这表示我们会比较样本属于不同类别的后验概率，再选择最大的那个类别。

我觉得这一讲最重要的不是公式本身，而是先弄清楚整门课在解决什么问题：

如果这条链条没有想清楚，后面学贝叶斯分类器、线性分类器或者聚类方法时就容易只记公式，不知道它们分别在流程里负责什么。

P(\omega_{i} \mid x) = \frac{p(x \mid \omega_{i}) P(\omega_{i})}{p(x)}

上式是贝叶斯决策的基础。对我来说，最有用的理解方式是：

scores = {
    "class_1": 0.72,
    "class_2": 0.18,
    "class_3": 0.10,
}

prediction = max(scores, key=scores.get)
print(prediction)

这段代码只是把“选最大的后验概率”写成最直接的形式。虽然很简单，但它让我比较容易把公式和实际决策联系起来。