分类目录归档：学习
inotify tools基本介绍：
inotify tools的安装：
apt-get install inotify-tools得益于强大的pandas模块，与数据框的结构更贴近的表格文件是Python中最流行的数据文件存储格式之一。对应的存储文件一般后缀为.CSV或.XLSX
多器官功能障碍综合征（multiple organ dysfunction synd
建议直接根据系统和版本选择对应的阿里云官方镜像配置说明
以更换debian 11.x系统的源为例：
# 备份旧的
cp /etc/apt/sources.list /etc/apt/sources.list.bak
# 编辑新的
vim /e假设与定义：
随机矩阵：元素为随机变量的矩阵，属于概率论与矩阵分析的交叉领域
系综：对符合某种分布的随机变量进行多次取值，得到的矩阵集合
具有统计独立性的实或复矩阵系综，在基变换下分布具有不变性，如果变换是正交的(orthogonal)、酉的(unitary)或辛的(symplectic)，则分别得到高斯正交系综(Gaussian Orthogonal Ensemble，GOE)，高斯酉系综(Gaussian Unitary Ensemble，GUE)或高斯辛系综(Gaussian Symplectic Ensemble，GSE)
此处可先简单理解为，酉变换是实数域的正交变换在复数域上的拓展。对应关系
瑞利熵（Rayleigh quotient）函数定义如下： $$R(A,x)=\frac{x^HAx}{x^Hx}$$
瑞利熵$R(A,x)$的重要性质： $$\lambda_{min}\leq R(A,x)\leq \lambda_{max}$$
血气是指血液中所含的$O_2$和$CO_2$气体
拉普拉斯特征映射（Laplacian Eigenmaps，简称LE）是一种基于图的降维算法
LE算法核心思想：在低维空间内，尽可能保证局部样本间的结构不变
LE算法步骤：
LE算法分析：
谱聚类（spectral clustering）：一种基于图的聚类算法
前置知识：图论基础概念、图论基础#3.1 理解拉普拉斯矩阵
核心思想：将数据转化为图的形式，距离近的数据间对应的边权重高，距离远的数据间对应的边权重低。之后通过切图的方式，使得不同子图间的边权值和尽可能低，子图内部的边权值和尽可能高，从而达到聚类的目的
核心思想：把每个样本看作一个节点，然后构建任意两点$(x_i,x_j)$间权重边$w_{ij}$
方法1