在《数论概论》中，关于本原勾股数组有这样一道练习题：
题意为：对于本原勾股数组，当弦长 $c$ 取何值时，可以分解为多组本原勾股数 $(a_i,b_i)$。进一步，分析本原勾股数的组数 $\phi(c)$ 的分布规律。
本文利用最基本的数论求解上述问题，不够严谨，仅为兴趣探讨。
在《数论概论》中，关于本原勾股数组有这样一道练习题：
题意为：对于本原勾股数组，当弦长 $c$ 取何值时，可以分解为多组本原勾股数 $(a_i,b_i)$。进一步，分析本原勾股数的组数 $\phi(c)$ 的分布规律。
本文利用最基本的数论求解上述问题，不够严谨，仅为兴趣探讨。
高斯过程回归（Gaussian Process Regression）是一种结合先验进行回归分析的非参数概率模型。利用高斯过程可以优雅的实现小样本回归，并且能够让人直观的感受回归效果，尤其是其优美的分布特性引人入胜，在笔者看来，是一个不错的预测回归工具。
高斯过程在近几年也有不错的发展，关注到 Raissi (2017) 提出一种利用GPR绕过求解微分方程步骤，直接学习的方程中的系数的方法，可适用于例如扩散场求解等各种工程问题。本文将概述高斯过程核心理论，同时尝试代码实现利用高斯过程学习抛物线型微分方程的系数。