● 每周一言智商决定深度，而情商决定高度。导语前面分别讲解了增强学习当中的动态规划方法和蒙特卡洛方法的算法思想。在实际问题当中，DP通常无法或者很难得到问题的真实模型结构，MC则很难估算一次行动的最终价值奖励。时序差分方法结合了动态规划和蒙特卡洛方法的优点，是强化学习的核心思想。那么，TD的算法思想是什么？时序差分方法前文我们了解了MC是每次对样本进行完整的采样模拟，用...

前两篇已推完RNN和LSTM的公式，本篇讲讲卷积神经网络的公式推导。粗一想，或许会认为CNN的网络结构相当于DNN的每一层由一维变成二维，而残差的传递只是增加了一个平行累积的过程。但是，在卷积层的残差反向传播中，会出现卷积核180度翻转的现象。那么，卷积核翻转是什么意思？CNN的公式推导究竟如何呢？

● 每周一言易怒与躁动，是不成熟的表现。导语蒙特卡洛，是袖珍之国摩纳哥的一座赌城名字。冯·诺依曼用一个赌城的名字命名蒙特卡洛方法，增加了这个方法的神秘性。那么，MC的算法思想是什么？蒙特卡罗方法如上一节所述，MC是一种基于样本而不基于模型的价值学习方法，只需要在不断试错过程当中学习到的经验。总体来说，MC的核心思路步骤是：探索 → 模拟 → 抽样 → 估值 → 策略优化...

上篇对循环神经网络RNN进行了公式推导，并提到RNN存在梯度消失问题，容易将较早之前的有用信息“忘却”。而本篇要讲的LSTM模型，通过增加“门”的方式能有效弥补朴素RNN的缺陷。那么，LSTM模型具体是如何实现的？

前面介绍了什么是聚类以及聚类的相似性度量方法，本节开始讲解最常用的聚类方法，划分聚类。划分聚类的原理思想是什么？又有哪些常用的算法？

俗话说“三个臭皮匠，顶个诸葛亮”，在机器学习中也是如此。单个模型的性能效果通常弱于多个模型的融合结果，这种融合就叫做集成学习。那么集成学习有哪些常见模型？这种集成是否一定能提升模型效果呢？

● 每周一言别让偶尔的关心打败习惯的温暖。导语前面介绍了层次聚类法，在聚类效果上，层次聚类的最大问题是：有可能聚出链状类。本节要讲的 密度聚类法 可以克服这个缺点，其原理也更接近于直观意义上的聚类。那么，密度聚类的思想是什么？又有哪些常用算法？密度聚类密度聚类顾名思义，是一种基于样本密度的聚类思想。直观意义上理解，好比在一张地图上做人口密度分布图，密集区域通常会认为是城

前两篇已推完RNN和LSTM的公式，本篇讲讲卷积神经网络的公式推导。粗一想，或许会认为CNN的网络结构相当于DNN的每一层由一维变成二维，而残差的传递只是增加了一个平行累积的过程。但是，在卷积层的残差反向传播中，会出现卷积核180度翻转的现象。那么，卷积核翻转是什么意思？CNN的公式推导究竟如何呢？

前面介绍了什么是聚类以及聚类的相似性度量方法，本节开始讲解最常用的聚类方法，划分聚类。划分聚类的原理思想是什么？又有哪些常用的算法？

前两篇已推完RNN和LSTM的公式，本篇讲讲卷积神经网络的公式推导。粗一想，或许会认为CNN的网络结构相当于DNN的每一层由一维变成二维，而残差的传递只是增加了一个平行累积的过程。但是，在卷积层的残差反向传播中，会出现卷积核180度翻转的现象。那么，卷积核翻转是什么意思？CNN的公式推导究竟如何呢？