安安！各位(*´∀`)~

這個系列文章從數學的角度深入探討了 AI、機器學習（ML）與數據科學中的核心概念，並通過數學工具解析每個技術背後的原理。內容涵蓋了從基礎數學知識，如線性代數、微積分、統計學，到前饋神經網路、卷積神經網路、遞迴神經網路等深度學習模型，逐步講解每個技術的運作機制和其數學背景。我並不覺得三十天就能學習完這未知的航道，接下來我也會繼續邁進(以修你 甘巴爹ლ( • ̀ω•́ )っ

來到最後一篇了，但我已經把我想講的說完了

那就來說說我在學習路上遇到的事情

首先，要不是我的同事邀請我，我可能現在是下班後癱軟在沙發上的🥔

開始寫的那週，剛好我的研究所開學，對於我的一個只接觸過文字探勘的新手而已

老實說，我其實一直在盲人摸🐘

所以也為著我的論文，我也踏上邊學習邊把我的筆記分享出來

分享讓我衝動想去讀研究所的一句話：

只有在真正去做的時候，才會曉得問題出在哪裡。 - 哈利波特的神秘的魔法石

附上我的百寶公式們總整理

矩陣運算（線性代數）：

• 線性變換公式：

  

• 特徵值分解：

  

  數據降維和理解矩陣的性質，特別是在主成分分析（PCA）中。

梯度下降法（微積分）：

• 梯度更新公式：

  

• 鏈式法則（反向傳播）：

  

  計算誤差相對於權重的梯度，是反向傳播算法的數學基礎。

損失函數與正則化（最佳化理論）：

• 均方誤差（MSE）損失函數：

  

• L2 正則化（Ridge）：

  

機率分佈（統計學與機率論）：

• 極大似然估計（MLE）：

  

隨機過程（時間序列與自回歸模型）：

• 自回歸模型（AR）：

  

注意力機制（深度學習）：

• 注意力權重計算：

  

自編碼器（自生成模型）：

• 損失函數：

  

附上我這陣子讀的paper

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25.

也很感謝看我文章的大家。