想象一下，假如回到中學時代，你是如何解線性方程組的？我想你用的是高斯消元法。對於一個有3個變數x、y、z的線性方程組，你會一步一步地消去其中一個方程中的兩個變數，從而解出剩下的那個變數，再返回去用相同的方法解出其餘兩

工程中常常需要尋找一些特定集合內的 $\boldsymbol x$ 值，使得二次型 $Q(\boldsymbol x)$ 取得最大值或最小值。具有代表性的是，這類問題可化為 $\boldsymbol x$ 在一

一個對稱 矩陣是一個滿足 $A^\mathsf{T} = A$ 的矩陣 $A$，這種矩陣是方陣，其主對角線元素是任意的，但其他元素在主對角線的兩邊成對出現。 定理 1如果 $A$ 是對稱矩陣

Contents 1. 冪演算法 冪演算法適用於 $n \times n$ 矩陣 $A$ 由嚴格佔優特徵值 （亦稱主特徵值）$\lambda_1$ 的情況。$\lambda_1

如果一個方陣 $A$ 相似於對角陣，即存在可逆矩陣 $P$ 和對角矩陣 $D$，有 $A = PDP^{-1}$，則稱 $A$可對角化 。 定理 5（對角化定理）$n \times n$ 矩

儘管變換 $\boldsymbol x \mapsto A \boldsymbol x$ 有可能使向量往各個方向移動，但通常會有某些特殊向量，$A$ 對這些向量的作用是簡單的。 定義$A$ 為 $n \t

資料降維 分類 PCA(主成分分析降維) 相關係數降維 PCA 降維(不常用) 實現思路 對資料進行 標準化

資料是機器學習模型的生命燃料。對於特定的問題，總有很多機器學習技術可供選擇，但如果沒有很多好的資料，問題將不能很好的解決。資料通常是大部分機器學習應用程式中效能提升背後的驅動因素。 有時，資料可能

1. 對於以下程式碼，char* p=new char[100]; 正確的是（p在棧上，new出來的在堆上）。 p是一個指標，所以儲存在棧上，p中儲存的是新建的動態記憶體的地址，新建的動態

PS：本文僅作技術討論，禁止用於其他非法用途 *本文原創作者：zhanghaoyil，本文屬FreeBuf原創獎勵計劃，未經許可禁止轉載 0×0 寫在前面 做Web安全已經三四年

在強化學習系列的前七篇裡，我們主要討論的都是規模比較小的強化學習問題求解演算法。今天開始我們步入深度強化學習。這一篇關注於價值函式的近似表示和Deep Q-Learning演算法。 Deep Q-Lea

作者 | Mateusz Malinowski, Carl Doersch, Adam Santoro, and Peter Battaglia 譯者 | linstancy 編輯 | Jan

降維 機器學習領域中所謂的降維就是指採用某種對映方法，將原高維空間中的資料點對映到低維度的空間中。降維的本質是學習一個對映函式 f : x->y，其中x是原始資料點的表達，目前最多使用向量表達形式。

在今年的MIT比特幣世博會上，硬體錢包廠商Ledger在會議現場演示了針對同行Trezor的五種攻擊方式，此後，該公司還在其官網公佈了具體的漏洞細節。可以預料到是，很多購買Trezor或其仿品硬體裝置的使用者們

在上篇文章裡，我們主要討論如何使用SVM分類器來抓取出表現最好的技術指標。而我們提到的一個關鍵點在於我們使用了極端隨機樹來選擇技術指標中的一部分來生成一組模型進行訓練。在本文中，我們重點來介