本文讲解深度学习计算性能中的自动并行。以PyTorch为例，展示GPU并行计算、并行计算与通信操作，凸显基于图的计算后端自动优化调度的优势。

本文讲解了深度网络是如何实现和优化的。在这一过程中只使用张量和自动微分，不需要定义层或复杂的优化器。包括定义损失函数、定义优化算法。

本文讲解了深度学习中softmax回归的从零开始实现。借助softmax回归，我们可以训练多分类的模型。先读取数据，再定义模型和损失函数，然后使用优化算法训练模型。大多数常见的深度学习模型都有类似的训练过程。

本文讲解深度学习中的暂退法，并完成了暂退法的从零开始实现和简洁实现。暂退法在前向传播过程中，计算每一内部层的同时丢弃一些神经元。暂退法可以避免过拟合，它通常与控制权重向量的维数和大小结合使用的。

本文讲解了在深度学习中如何访问、初始化和共享模型参数。重点讲解了如何通过PyTorch访问层的权重和偏置、进行参数初始化（包括内置和自定义初始化方法）以及在多个层之间共享参数。

MLlib（Machine Learning Library）是Spark的机器学习库，旨在简化机器学习的工程实践，并能够方便地扩展到更大规模的数据。本篇文章介绍Spark MLlib机器学习，包括用于特征预处理的数理统计方法。

本文讲解机器学习算法中常用的数学工具。包括向量、矩阵、梯度和凸函数。重点放在机器学习算法的讲解与实践上，将数学概念以直观的方式展示，并没有过多地展示数学证明与定理。

本文详细讲解机器学习数据预处理部分的数据准备相关步骤和知识点，包括数据质量校验、数据分布与趋势探查、数据清洗和数据合并。

本文讲解深度学习中的线性回归。机器学习模型中的关键要素是训练数据、损失函数、优化算法，还有模型本身。向量化使数学表达上更简洁，同时运行的更快。最小化目标函数和执行极大似然估计等价。线性回归模型也是一个简单的神经网络。

通过Spark机器学习库MLlib编程实验掌握基本的MLLib编程方法；掌握用MLLib解决一些常见的数据分析问题，包括数据导入、成分分析和分类和预测等。