一些前提的约定，还是沿用上篇文章的哈。先来致敬下男神。
一：异常点检查(Anomaly Detection)
这一章节相对来说简单很多，也可以说是很大程度是概率论的知识内容了。
异常点，和大部分正常状态下表现上不一致的点，就叫做异常点，举个例子，我们分析统计用户的行为，并提取某个特征，或者一个月内去的次数，和一个月内去网吧的时长，如下图：
很明显，我们会把红色点的行为定义为不正常的，去的少，上网时间还挺长，看来存在巨大网瘾啊，运用某个模型检测过来，对应到具体人，警察就可以出动强制了，这样及早帮助父母发现并教育孩子，不然父母不知情的情况下很容易出事儿。反而黑色点距离大家很近，看似没啥不一样，大部分的点一样没啥区别，因此暂时先放过。
同样的道理，在工业领域，比如计算机集群的维护中，可以通过某个计算机的CPU，IO，MEM，发热量等特征进行异常值检测。在飞机引擎制造中，也可通过引擎的发热量，引擎的震动等特征进行异常值检测，及时排除质量差的引擎，这可是未来挽救生命的行为啊，所以在很多QA（质量分析）的场景都可以用到这样的模型。
二：高斯分布（Gaussian Distribution）
在概率论中，这个分布也叫做正太分布，也就是正常情况下的分布统计，能体现出一个群体内，大致基本的平均水平，以及该群体内每个样本的总体差异程度。比如一个班级学生的成绩，一个地区人的寿命，身高，财富水平，医疗血压心跳测量（有时候医生让你重新测量，就是觉得你的血压心跳不太正常），往往就是一个正太分布模型，这个不多说，纯属概率知识。
高斯分布有两个参数，μ和σ，分别表示平均值和标准差。
μ代表的分布的平均水平，表征了分布规律的中心位置，
σ表征的是样本之间的差异程度，σ越大，差异越大，那么图像就会变得很宽很矮，因为样本很分散，反之差异变得很小，那么分布上就会变得很窄很高，因为样本很集中。
三：参数估计以及异常点检测算法
对于给定某个数据集，{X(1), X(2), X(3)…X(m)}。
鉴于这一块太简单了，就不做实验了。这里课件看到高斯模型的应用，了解到这个即可。