深入浅出主成分分析（PCA）：从原理到推导的完全指南
从降维与信息保留问题出发，推导 PCA 的目标函数、协方差矩阵和特征值分解，解释主成分如何概括高维数据结构。
最新文章
告别循环，拥抱并行：一步步构建你自己的Transformer
从 RNN 的串行瓶颈出发，逐步构建自注意力、多头注意力、位置编码和掩码机制，理解 Transformer 的并行建模思想。
序列之思：从零推导循环神经网络与注意力机制
面向序列建模问题，推导 RNN、Encoder-Decoder 与注意力机制，解释 Query、Key、Value 如何缓解长序列信息瓶颈。
深度解析卷积神经网络（CNN）：从像素到模型的完整指南
从图像数据的局部结构出发，拆解卷积、填充、步长、池化、激活函数和反向传播，理解 CNN 如何从像素中学习特征。
从生物神经元到智能学习：深度解析神经网络的原理与反向传播
从生物神经元抽象出发，系统解释前向传播、激活函数、误差信号和反向传播，建立理解深度学习训练过程的核心框架。
从二分类到多分类：Logistic回归、梯度下降与交叉熵损失的深度剖析
从二分类扩展到多分类，推导 Logistic 回归、Softmax、交叉熵损失与梯度下降的联系，适合打通分类模型的训练逻辑。
从潜在变量到概率预测：深入理解逻辑斯蒂与Softmax函数
围绕分类问题的概率输出，解释 Logistic、Sigmoid 与 Softmax 的来源、决策边界和建模意义，连接二分类与多分类模型。
深入理解监督学习的概率视角：从噪声、建模到MLE与MAP
从噪声和不确定性切入，系统推导监督学习中的概率建模、最大似然估计、最大后验估计与正则化之间的关系。
最优化理论基础：常见优化问题凸性判定举例
通过具体的例子探讨如何判定常见优化问题中的函数是否为凸函数。凸性是优化领域中的一个关键概念，尤其是在凸优化问题中，凸性确保了局部最优解即为全局最优解。理解如何识别一个函数是否为凸函数对于有效地求解实际问题至关重要。
最优化理论基础：判定凸函数
了解如何识别凸函数对于解决实际问题至关重要，凸函数是优化理论和应用中的核心概念之一，它们具有许多优良的性质，特别是对于凸优化问题来说，找到局部最优解就等同于找到了全局最优解。