【概述】

数据链路层，是在物理层所提供服务的基础上向网络层提供服务，负责通过一条链路，从一个结点向物理链路相连的另一结点传送数据

数据链路层将物理层提供的可能出错的物理连接，改造为逻辑上无差错的数据链路，使其对网络层表现为一条无差错的链路

【物理层设备】

中继器

中继器，又称转发器，其通过信号再生的原理，来将信号整形并放大再转发出去，以消除信号由于经过长段线缆因噪声而造成的失真和衰减，使信号波形与强度达到所需要求，从而扩大传输距离

【概述】

交换技术，是指各台主机之间、各台通信设备之间、主机与通信设备之间为交换信息采用的数据格式和交换装置的方式

常见的交换技术有：电路交换、报文交换、分组交换

【概述】

无论是基于 VC 维还是 Rademacher 复杂度来推导泛化误差界，所得到的结果均与具体学习算法无关，对所有学习算法都适用，这使得人们能够脱离具体学习算法的设计来考虑学习问题本身的性质，但在另一方面，若希望获得与算法有关的分析结果，则需另辟蹊径，稳定性分析（Stability Analysis）就是这方面中的一个方向

【基本定义】

【概述】

对于线性链条件随机场的预测问题，即：已知线性链条件随机场 $P(Y|X)$ 和输入序列 $x$，求条件概率最大的输出序列 $y^{*}$，即对输入序列进行标注

条件随机场的预测算法与隐马尔可夫模型的预测算法相似，采用 Viterbi 算法，即采用动态规划求概率最大路径，一条路径对应一条状态

【概述】

对于线性链条件随机场的学习问题，即：已知线性链条件随机场 $P(Y|X)$，估计 $P(Y|X)$ 的参数，该问题本质上是无监督学习中的概率估计问题

其学习方法有改进的迭代尺度法 IIS、梯度下降法、拟牛顿法等，这里仅介绍使用改进的迭代尺度法 IIS 和拟牛顿法对线性链条件随机场的学习

【概述】

在 PAC 学习理论概述 中，介绍了 PAC 学习理论，由于恰 PAC 学习并不实际，因此更重要的是研究假设空间 $\mathcal{H}$ 与概念类 $\mathcal{C}$ 不同的情景，即在给定 $n$ 个样本的训练集 $D$ 时，找出满足误差参数 $\epsilon$ 的假设

在 $|\mathcal{H}|$ 无限时，称假设空间 $\mathcal{H}$ 为无限假设空间，现实学习任务所面临的通常都是无限假设空间，例如实数域中的所有空间、$\mathbb{R}^{d}$​ 空间中的所有线性超平面等，要想对该种情形的可学习性进行研究，就需要度量假设空间的复杂度，最常见的方法就是考虑假设空间的 VC 维（Vapnik-Chervonenkis Dimension）

【基本概念】

数据、信号

数据，是传送信息的实体，是有意义的符号序列

【概述】

在 PAC 学习理论概述 中，介绍了 PAC 学习理论，由于恰 PAC 学习并不实际，因此更重要的是研究假设空间 $\mathcal{H}$ 与概念类 $\mathcal{C}$ 不同的情景，即在给定 $n$ 个样本的训练集 $D$ 时，找出满足误差参数 $\epsilon$ 的假设

在 $|\mathcal{H}|$ 有限时，称假设空间 $\mathcal{H}$ 为有限假设空间，其可分为两种情形：

【概述】

对于线性链条件随机场的概率计算问题，即：给定线性链条件随机场 $P(Y|X)$，输入序列 $x$ 和输出序列 $y$，计算条件概率 $P(Y_i=y_i|x)$ 和 $P(Y_{i-1}=y_{i-1},Y_i=y_i|x)$，以及相应的数学期望

与隐马尔可夫模型类似，引入前向向量与后向向量，递推的计算条件概率以及期望值，这样的算法称为前向-后向算法（Forward-backward Algorithm）