说明：PRML读书会第一章 Introduction(机器学习基本概念、学习理论、模型选择、维灾)
说明：PRML读书会第二章 Probability Distributions(贝塔-二项式、狄利克雷-多项式共轭、高斯分布、指数族等)
说明：PRML读书会第三章 Linear Models for Regression(线性基函数模型、正则化方法、贝叶斯线性回归等)
说明：PRML读书会第四章 Linear Models for Classification(贝叶斯marginalization、Fisher线性判别、感知机、概率
说明：PRML读书会第五章 Neural Networks（神经网络、BP误差后向传播链式求导法则、正则化、卷积网络）
说明：PRML读书会第六章 Kernel Methods（核函数，线性回归的Dual Representations；高斯过程 Gaussian Processes的
说明：PRML读书会第七章 Sparse Kernel Machines（支持向量机 support vector machine ；KKT条件；RVM）
说明：PRML读书会第八章 Graphical Models（贝叶斯网络和马尔科夫随机场的概念、联合概率分解、条件独立表示；图的概率推断inference）
说明：PRML读书会第九章 Mixture Models and EM（Kmeans；混合高斯模型以及EM（Expectation Maximization）算法；一
说明：PRML读书会第十章 Variational Inference（近似推断、变分推断用到的KL散度、根据平均场 Mean Field 思想的分解及迭代求最优解）