“随机梯度下降、牛顿法、动量法、Nesterov、AdaGrad、RMSprop、Adam”，打包理解对梯度下降法的优化

“拉格朗日对偶问题”如何直观理解？“KKT条件” “Slater条件” “凸优化”打包理解

什么是“感知机”，它的缺陷为什么让“神经网络”陷入低潮

【硬核科普】爆肝1万字！以十层理解带你深度解析光的本质！

如何通俗地解释梯度下降法

“损失函数”是如何设计出来的？直观理解“最小二乘法”和“极大似然估计法”

Who's Adam and What's He Optimizing? | Deep Dive into Optimizers for Machine Learning!

【破解深度学习】1.2 一句话讲清CNN、RNN、Transformer的区别

一口氣看懂量子力學，量子疊加，量子糾纏，量子通信

Optimization for Deep Learning (Momentum, RMSprop, AdaGrad, Adam)

什么是卷积神经网络？卷积到底卷了啥？

【数之道 08】走进卷积神经网络，了解图像识别背后的原理

“交叉熵”如何做损失函数？打包理解“信息量”、“比特”、“熵”、“KL散度”、“交叉熵”

机器学习，梯度下降算法，数学原理，其实高数如此简单

【漫士】99%的人都会答错！为什么概率这么反直觉？

“神经网络”是什么？如何直观理解它的能力极限？它是如何无限逼近真理的？

7分钟让你明白线性代数和微积分有什么用

Seeing the world from the realm of God: Fourier Transform DFT

softmax是为了解决归一问题凑出来的吗？和最大熵是什么关系？最大熵对机器学习为什么非常重要？

4. 用“λ演算法”去理解，为什么函数式编程会有更少的bug

x的x次方图像长啥样？利用复数拓展乘方，刷新你对数学的认知！