本文首先回顾了机器学习的流程，并提出问题，机器学习为什么可行。之后分别分析了在有限容量和无限容量假设空间上，机器学习的可行性。在推导过程中，引出成长函数、Shatter、Break Point等概念，最终得到著名的VC不等式，以及VC Dimension，得到机器学习的泛化边界。最后在完成可行性分析之后，讨论了这一过程带给我们的启示与意义。

本篇主要对机器学习进行概述，包括机器学习的分类、机器学习三要素、模型评估、模型选择、正则化、交叉验证等，最后还对监督学习的应用以及常见的评价标准进行了简单介绍。其中的内容基本上都是感性的知识，偏向于直觉的理解。

本篇内容主要来自于3Blue1Brown的《线性代数的本质》系列视频，旨在以更加直觉的方式理解线性代数中的各种重要概念。完整的内容可以参考对应的视频，本文主要记录其中的重要观点，便于复习和回顾。其中不涉及严格的数学证明，而仅是以直观的方式介绍线性代数。

Pytorch是目前非常流行的深度学习框架。本篇主要参考官方quick start完成Pytroch的快速入门。主要介绍了Pytorch使用的基础流程、Tensor的基础使用、Dataset/DataLoader概念和Model构建等。

Slidev是一个为开发者打造的演示文稿工具，它允许我们将markdown转化为PPT。虽然PowerPoint等软件已经提供了所见即所得的能力，不过slidev专注于另外的方向，让开发者利用自己熟悉的技术，同时结合社区中的各种主题，方便快捷地完成PPT。

Pandas的学习笔记，包括一些基础操作，例如数据读取、数据保存、数据查询与修改、数据清洗、数据统计等。

Conda是Python中另一个强大的包管理器，本篇主要记录了Conda的相关操作。目前包括Conda的虚拟环境管理、Conda中cuda的配置、jupyter与Conda的相关配置。

Numpy是Python中科学计算的基础，它提供了一个极为强大的类，n维数组。本篇主要是Numpy的基础学习笔记，主要包括Numpy的核心概念和基础操作。在核心概念方面，介绍了shape、axis、vectorization、broadcasting等；在基础操作方面，介绍了数组的创建、计算、索引、变换等操作。

本篇主要记录了在Mac上进行Terminal优化的过程，包括Terminal Theme，oh my zsh，iTerm2等。主要记录了本人使用的theme，相关插件以及配置等。同时包括一些好用的功能设置，例如ssh自动登录及管理等。

Python标准库提供了unittest测试框架来辅助完成单元测试，这也是Python中最基本的测试框架。此外，还有一些第三方测试框架，能够提供更加简单的使用体验和强大的功能，例如pytest。最后，如果需要评估测试，覆盖率是一个很好的指标，第三方库coverage能够帮助我们计算覆盖率。