机器学习：线性模型
从线性组合的假设出发，介绍线性模型、线性回归与逻辑斯蒂回归的基本思想，建立从特征到预测函数的建模框架。
系列：机器学习基础与深度学习
适合系统补机器学习与深度学习基础的读者；建议具备 Python、矩阵运算和概率分布直觉；推荐先读 Pandas/NumPy，再读概率建模、线性模型、Logistic/Softmax，最后进入神经网络、CNN、RNN、Transformer 与 PCA。
#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
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。
机器学习基础：对NumPy数组进行数据处理操作
整理 NumPy 数组的数据处理操作，包括索引切片、过滤、统计聚合、组合与结果保存，适合作为数据预处理阶段的速查笔记。
机器学习基础：通过NumPy生成随机数与样本采样
介绍 NumPy 随机数生成与样本采样方法，涵盖常见分布、随机数组和抽样场景，为实验数据构造与模型训练准备基础工具。
机器学习基础：使用NumPy做算术运算和矩阵运算
围绕 NumPy 数组运算展开，梳理逐元素计算、广播机制、矩阵乘法和常用线性代数操作，建立机器学习数值实现的基本手感。
机器学习基础：NumPy数组的创建和基本使用
从机器学习中的数值计算需求出发，讲解 NumPy 数组的创建、初始化、数据类型和基础属性，为后续矩阵运算与数据处理打底。