前面几期博客一直在说蒙特卡洛的知识，说到底我们的目的是为了将马尔科夫链和蒙特卡洛采样结合起来的，今天我们通过几个小例子来分析一下马尔科夫链。 这中间涉及了比较多的数学知识，但是我们将从例子的角度分析，让马尔科夫链不那么的费解！

我们所说的抽样，其实是指从一个概率分布中生成观察值（observations）的方法。而这个分布通常是由其概率密度函数（PDF）来表示的。而且， 即使在已知PDF的情况下，让计算机自动生成观测值也不是一件容易的事情。从本质上来说，计算机只能实现对均匀分布（Uniform distribution）的采样。 那如何实现计算机很好的采样数据样本呢？今天我们一起来看看实现方法。

蒙特卡洛（Monte Carlo）法是一类随机算法的统称。随着二十世纪电子计算机的出现，蒙特卡洛法已经在诸多领域展现出了超强的能力。 在机器学习和自然语言处理技术中，常常被用到的MCMC也是由此发展而来。在正式进去MCMC分析之前，我们需要把基础打扎实点，这时候我们就需要对MC做了解。 本博客通过蒙特卡洛法最为常见的一种应用——求解定积分，来演示这类算法的核心思想。

前段时间一直在讨论朴素贝叶斯和贝叶斯思想，当然前面博文中的贝叶斯的应用只是冰山一角，还有很多贝叶斯的发展没有说，我们以后有机会会慢慢的更新。 今天我们一起来看看贝叶斯思想在生成对抗网络(GAN)中的应用。BayesianGAN将数据生成的半监督学习做到了很好的水平，很值得我们去学习一下。

之前的博客已经将朴素贝叶斯的数学概念和物理含义都基本上说明清楚了，本篇博客我们对之前做一个小小的总结就是利用已有的算法知识去解决生活中的例子。 贝叶斯一系列的数学表达已经有zhusuan这个支持tensorflow的模块使用，这也是研究贝叶斯需要去掌握的。