一些写的很好的博客（持续跟新）

虽然说学习知识强调系统性，也就是完整的看书敲代码，但是有些博客也很值得学习。记录一下自己看过的博客。

1. 数据预处理
   https://blog.csdn.net/qq_26898461/article/details/50463052

https://blog.csdn.net/bea_tree/article/details/51519844

2 机器学习十大算法总结整理
推导： https://www.cnblogs.com/tornadomeet/p/3395593.html

思想： https://www.cnblogs.com/ECJTUACM-873284962/p/7399456.html

4.详解机器学习中的熵、条件熵、相对熵和交叉熵
https://zhuanlan.zhihu.com/p/35379531

5 损失函数改进之Large-Margin Softmax Loss (未读)
https://blog.csdn.net/u014380165/article/details/76864572

6 梯度下降优化算法综述
https://blog.csdn.net/google19890102/article/details/69942970
adam算法

7 tensor张量的解释

8 mini_bach_
https://blog.csdn.net/kebu12345678/article/details/54917600

9
数学之美番外篇：平凡而又神奇的贝叶斯方法
http://mindhacks.cn/2008/09/21/the-magical-bayesian-method/

10 范数
上图中，蓝色的圆圈表示原问题可能的解范围，橘色的表示正则项可能的解范围。而整个目标函数（原问题+正则项）有解当且仅当两个解范围相切。从上图可以很容易地看出，由于2范数解范围是圆，所以相切的点有很大可能不在坐标轴上（感谢评论区＠临熙指出表述错误），而由于1范数是菱形（顶点是凸出来的），其相切的点更可能在坐标轴上，而坐标轴上的点有一个特点，其只有一个坐标分量不为零，其他坐标分量为零，即是稀疏的。所以有如下结论，1范数可以导致稀疏解，2范数导致稠密解。那么为什么不用0范数呢，理论上它是求稀疏解最好的规范项了。然而在机器学习中，特征的维度往往很大，解0范数又是NP-hard问题，所以在实际中不可行。但是用1范数解是可行的，并且也可以得到稀疏解，所以实际稀疏模型中用1范数约束。至此，我们总结一下，在机器学习中，以0范数和1范数作为正则项，可以求得稀疏解，但是0范数的求解是NP-hard问题; 以2范数作为正则项可以得到稠密解，并且由于其良好的性质，其解的定义很好，往往可以得到闭式解，所以用的很多。

作者：凌空
链接：https://www.zhihu.com/question/20473040/answer/175915374

11.统计学
抽样分布（正态分布的前世今生）
点估计和区间估计
假设检验