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。
分类
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。
