add link to KDDCup99 notebook and fix typo

```

## Jupyter Notebook Example

You can use [jupyter notebook example](Example_DAGMM.ipynb).

You can use next jupyter notebook examples using DAGMM model.

- [Simple DAGMM Example notebook](Example_DAGMM.ipynb) :

This example uses random samples of mixture of gaussian.

If you want to know simple usage, this notebook is recommended.

- [KDDCup99 10% Data Evaluation](KDDCup99.ipynb) :

Performance evaluation of anomaly detection for KDDCup99 10% Data

with the same condition of original paper (need pandas)

# Notes

## GMM Implementation

(it is same as Tensorflow GMM implementation,

and [another author of DAGMM](https://github.com/danieltan07/dagmm) also points it out)

## Parameter of GMM Covariance ($\lambda_2$)

Default value of $\lambda_2$ is set to 0.0001 (0.005 in original paper).

When $\lambda_2$ is 0.005, covariances of GMM becomes too large to detect

anomaly points. But perhaps it depends on data and preprocessing

(for example a method of normalization). Recommended control $\lambda_2$

## Parameter of GMM Covariance (lambda_2)

Default value of lambda_2 is set to 0.0001 (0.005 in original paper).

When lambda_2 is 0.005, covariances of GMM becomes too large to detect

anomaly points. But perhaps it depends on distribution of data and method of preprocessing

(for example a method of normalization). Recommend to control lambda_2

when performance metrics is not good.

```

## Jupyter Notebook サンプル

Jupyter notebook での[実行サンプル](./Example_DAGMM_ja.ipynb)を用意しました。

次のJupyter notebook の実行サンプルを用意しました。

- [DAGMM の利用例](Example_DAGMM_ja.ipynb) :

このサンプルでは、混合正規分布に対して適用した結果となっています。

利用方法を手っ取り早く知りたい場合、まずこのサンプルを見てください。

- [KDDCup99 10% データによる異常検知評価](KDDCup99_ja.ipynb) :

論文と同条件により、KDDCup99 10% データに対する異常検知を実施し、

精度評価を行うサンプルです(pandasが必要です)

# 補足

## 混合正規分布(GMM)の実装について

[DAGMMの別実装の実装者](https://github.com/danieltan07/dagmm)も

同じ事情について言及しています)

## 共分散パラメータ $\lambda_2$ について

共分散の対角成分を制御するパラメータ $\lambda_2$ のデフォルト値は

## 共分散パラメータ λ2 について

共分散の対角成分を制御するパラメータλ2のデフォルト値は

0.0001 としてあります（論文では 0.005 がおすすめとなっている）

これは、0.005 とした場合に共分散が大きくなりすぎて、大きなクラスタ

が選ばれる傾向にあったためです。ただしこれはデータの傾向、および

前処理の手順（例えば、データの正規化の方法）にも依存すると考えられます。

意図した精度が得られない場合は、$\lambda_2$ の値をコントロールすることを

意図した精度が得られない場合は、λ2 の値をコントロールすることを

お勧めします。