Summary 封面 符号表 机器学习基础 高中数学回顾 向量和矩阵 另一个视角看矩阵 从导数到偏导数 概率论 [WIP] 机器学习问题定义 不同机器学习种类 线性模型 线性回归 梯度下降 GD 线性回归与梯度下降 逻辑回归 非线性变换 支持向量机 SVM [WIP] 核技巧 Kernel Trick 支持向回归 SVR [WIP] 机器学习实践 梯度下降的变种 过拟合和欠拟合 数据集分割与验证 评估指标 Old School [WIP] 约束问题 CSP [WIP] 广度搜索 BFS [WIP] 深度搜索 DFS [WIP] A*算法 [WIP] Q学习算法 [WIP] 接下来的路径 深度学习 感知机 多层感知机 MLP 计算图与反向传播 多分类与 Softmax 层 Layer 卷积神经网络 CNN 自编码器 AE 变分自编码器 VAE [WIP] 生成对抗网络 GAN 自注意力机制与 Transformer [WIP] 序列模型 循环神经网络 RNN 长短时记忆网络 LSTM Transformer [WIP] GPT [WIP] 聚类算法 层次聚类 K均值聚类 K近邻 [WIP] DBScan [WIP] 高斯混合模型 GMM [WIP] 数据挖掘与数据分析 [WIP] PCA [WIP] SVD [WIP] 随机森林 [WIP] 优化 凸函数 信息论 自信息与熵 联合熵、条件熵、散度与互信息 学习理论 PAC框架 写在最后 代码附录