由于之前我学习过高等代数和解析几何，所有在此只列举不熟悉或容易忘记的知识点。一、线性代数张量：一般的，一个数组中的元素分布在若干维坐标的规则网格中，我们称之为张量。矩阵与向量相加：在深度学习中，我们允许矩阵和向量相加，产生另一个矩阵：C=A+b，其中Ci,j=Ai,j+bj。换言之，向量b和矩阵A的每一行相加。（这里隐式地复制向量b到很多位置的方式，称为广播）元素对应乘积（Hadamard乘积）：

八种常用的统计机器学习方法，即聚类方法（包括层次聚类与k均值聚类）、奇异值分解（SVD）、主成分分析（PCA）、潜在语义分析（LSA）、概率潜在语义分析（PLSA）、马尔可夫链蒙特卡罗法（MCMC）、潜在狄利克雷分配（LDA）、PageRank算法还有另外三种常用的统计机器学习方法，即非负矩阵分解（NMF）、变分推理、幂法这些方法常用于无监督学习的聚类、降维、话题分析以及图分析一、机器学习方法之间

在cmd中输入python或ipython原始输入：import pipprint(pip.pep425tags.get_supported())或import pip._internalprint(pip._internal.pep425tags.get_supported())均出现如下报错信息：Traceback (most recent call last):File “”, line 1