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。
机器学习
#系列：最优化理论基础
5
#系列：工具环境与桌面开发
2
#系列：C/C++ 逆向分析
9
#系列：数据结构与算法
7
#系列：机器学习基础与深度学习
16
#数据科学
1
#最小化重建误差
1
#降维
1
#PCA
1
#主成分分析
1
#掩码自注意力
1
#位置编码
1
#多头注意力
1
#自注意力
1
#Transformer
1
#序列到序列
1
#注意力
1
#编码器-解码器
1
#循环神经网络
1
#自动微分
1
#互相关与卷积
1
#平移不变性
1
#归纳偏置
1
#计算机视觉
1
#CNN原理
1
#卷积神经网络
1
#误差信号
1
#深度学习
4
#反向传播
1
#前向传播
1
#激活函数
1
#多项分布
1
#多分类
1
#二分类
1
#优化算法
1
#梯度下降
2
#Sigmoid
1
#决策边界
1
#Softmax
1
#分类问题
1
#最小二乘法
1
#正则化
1
#噪声建模
1
#概率模型
2
#监督学习
1
#最大后验估计
1
#最大似然估计
1
#矩阵求导
1
#正态分布
1
#高斯分布
1
#虚函数
1
#B树
1
#数据结构
2
#红黑树
1
#单隐层前馈神经网络
1
#前馈神经网络
1
#神经元模型
1
#神经网络
3
#对数几率回归
2
#逻辑斯蒂回归
4
#线性回归
1
#线性模型
1
#过滤数据
1
#虚机制
1
#数据聚合
1
#Tab Control
1
#切片
1
#List Control
1
#MFC
1
#DataFrame
1
#Series
1
#pandas
1
#统计学指标
1
#基本数据类型
1
#Python
5
#NumPy
4
#内存
1
#表现形式
1
#main函数
1
#数据类型
1
#Jupyter Notebook
1
#VS Code
1
#anaconda3
1
#远程连接
1
#前缀和
1
#Jupyter
1
#do...while
1
#while
1
#for
1
#循环结构
1
#if...else
1
#条件转移
1
#分支结构
1
#选择结构
1
#区间合并
1
#离散化
1
#位运算
1
#双指针
1
#差分
1
#浮点数二分
1
#排序
1
#整数二分
1
#归并排序
1
#二分
1
#switch
1
#快速选择
1
#快速排序
2
#switch-case
1
#编译器优化
1
#表达式优化
1
#半正定矩阵
1
#凸函数
3
#凸集
1
#凸优化
6
#优化
6
#KKT条件
1
#弱对偶性
1
#互补松弛条件
1
#对偶
1
#拉格朗日对偶
1
#强对偶性
1
#大整数乘法
1
#机器学习
15
#逆向
6
#C++逆向
8
#除法优化
2
#大整数除法
1
#C++大整数运算
1
#大整数减法
1
#基础算法
5
#大整数加法
1
#大整数运算
1
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。
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。
机器学习基础：背景介绍与pandas对象的创建
面向机器学习前期数据准备，介绍 Pandas 的 Series、DataFrame 与基本创建方式，帮助把原始数据整理成后续建模可以直接使用的表格结构。