二分类问题是机器学习中常见的问题，它要求最终的输出只有两种。而感知机是一种用于二分类的基础线性分类模型，同时还属于监督学习、在线学习。本篇主要介绍了感知机模型的概念、学习策略和学习算法，最后介绍了算法可行性。

本篇主要介绍了机器学习中的过拟合、正则化以及Validation验证的概念。过拟合指的是模型在训练集上效果好，但是泛化能力差；正则化是结构风险最小化的实现，增加对模型复杂度，通常被用来解决过拟合问题；Validation验证则可以辅助完成在机器学习中可能遇到的各种选择问题。

几乎所有的机器学习算法最终都会归结于对某个目标函数进行优化。如果这个问题有解析解，那么可以很容易计算出来，但是大多数情况下问题是没有解析解的，因此需要利用某种方式求得对应的数值解。一种最为常用的方法就是梯度下降。本篇主要介绍了梯度下降的基本思想以及相关变体。

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。