好评笔记

本文简要介绍深度学习的前向传播与反向传播，以及前馈神经网络与反馈神经网络。简要介绍了常见的神经网络。

本文介绍深度学习常见的概念——权重初始化、评估指标、梯度消失和梯度爆炸。权重初始化 权重初始化是影响模型训练速度和性能的重要因素。合理的权重初始化可以帮助加快收敛，减少不稳定性。

本笔记介绍深度学习中常见的归一化、正则化。各种优化的归一化介绍（本质上进行标准化） 下面的归一化。本质上进行的是标准化，与普通的归一化不同。

本笔记介绍深度学习中常见的优化算法、激活函数。在深度学习中，优化算法用于调整模型的参数（如权重和偏置）以最小化损失函数。

本笔记介绍机器学习中常见的无监督学习方法——降维。 降维方法概述 降维目的是将高维数据映射到低维空间中，同时尽量保留数据的主要信息。降维可以减少数据冗余、降低计算复杂度、减轻过拟合风险。

本笔记介绍机器学习中常见的聚类算法（Kmeans、GMM-使用EM优化）。聚类 K-Means K-Means 是一种经典的聚类算法，用于将数据集划分为 K 个簇，每个簇由其质心（簇中心）。

本文主要x阐述Boosting中常用算法（GBDT、XGBoost、LightGBM）的迭代路径。详细

集成学习（Ensemble Learning）概述 集成学习是一种通过组合多个模型（通常是弱模型）来提升整体预测性能的技术，主要分为 Bagging 和 Boosting 两类方法。

本笔记介绍机器学习中常见的决策树算法。决策树（Decision Tree）概述 决策树是一种基于树形结构的机器学习算法，广泛应用于分类和回归任务中。