1807年至1810年柯西在工學院學習，曾當過交通道路工程師。由於身體欠佳，接受了拉格朗日和拉普拉斯的勸告，放棄工程師而致力於純數學的研究。柯西在數學上的最大貢獻是在微積分中引進了極限概念，並以極限為基礎建立了邏輯清晰的分析體係。這是微積分發展史上的精華，也是柯西對人類科學發展所做的巨大貢獻。
有時看著這些密密麻麻的橋梁力學上的各種數據，柯西陷入沉思，在想這些數據意味著什麽。
意味著不同的橋梁之間，這些數據是不同的。
但是差不多相同的橋梁，數據之間或許會有某種聯係。
但數據過多，能不能處理成少些的有代表性的數據來體現這兩個橋的聯係？
或者找到關鍵數據來看看兩個橋梁之間的不同。
這就需要一種把大量數據化簡的能力，來識別不同橋梁，來識別橋梁出現的各種特征。
需要高維度性質的數據，向低維度數據轉化。
在高維數據向低維數據轉化時，使用最小二乘法的誤差會有些大。
圖形處理識別中，會用到降維算法。
柯西估計可以計算監督降維算法。
在樣本生產過程中，由於訓練是認為處理，一個不當操作的誤差會導致生成大量不準確樣本，而這些錯誤不可避免，所以識別率也會下降。
解決的方法是設計損失函數時，用柯西損失代替最小二乘法損失。
使用knn方法來找不同樣本的特征時，由於距離小，不方便提取重要的區別信息。
所以要把距離改大些，才能更好的提取特征進行識別。
柯西估計寫出了估計公式ζ（x）=log(1+(x\/c)^2)。
有時看著這些密密麻麻的橋梁力學上的各種數據，柯西陷入沉思，在想這些數據意味著什麽。
意味著不同的橋梁之間，這些數據是不同的。
但是差不多相同的橋梁，數據之間或許會有某種聯係。
但數據過多，能不能處理成少些的有代表性的數據來體現這兩個橋的聯係？
或者找到關鍵數據來看看兩個橋梁之間的不同。
這就需要一種把大量數據化簡的能力，來識別不同橋梁，來識別橋梁出現的各種特征。
需要高維度性質的數據，向低維度數據轉化。
在高維數據向低維數據轉化時，使用最小二乘法的誤差會有些大。
圖形處理識別中，會用到降維算法。
柯西估計可以計算監督降維算法。
在樣本生產過程中，由於訓練是認為處理，一個不當操作的誤差會導致生成大量不準確樣本，而這些錯誤不可避免，所以識別率也會下降。
解決的方法是設計損失函數時，用柯西損失代替最小二乘法損失。
使用knn方法來找不同樣本的特征時，由於距離小，不方便提取重要的區別信息。
所以要把距離改大些，才能更好的提取特征進行識別。
柯西估計寫出了估計公式ζ（x）=log(1+(x\/c)^2)。