《品格之路》品格的进阶：简历美德与悼词美德
知识背景：布鲁克斯和《品格之路》作者：美国《纽约时报》专栏作家戴维·布鲁克斯。《品格之路》，它用一个独特的视角介绍了欧美一些了不起的人物之所以伟大的原因。布鲁克斯还写过一本《社会动物》，他在这本书里，以一对夫妇的成长经历为主线，探讨了爱情、性格和成就的潜在根源。
布鲁克斯就讲了一个道理。他说，幸福是
...
【艺术】如何听一场音乐会 - 严伯钧老师课程小节
音乐会分这5种音乐会，就是所谓的concert。
独奏会，Recital。通常，钢琴演奏的时候，从头到尾都是一个人弹，弹得是独奏曲目。如果是小提琴，长笛，和一些其他非钢琴独奏乐器，一般还会带一个钢琴伴奏。（想起动漫《四月是你的谎言》中薰拉小提琴的时候，公生就给他钢琴伴奏，真是美好啊）。
协奏曲，C
...
【iOS】Cocoa设计模式(iOS常用设计模式) Cocoa Design Patterns
Cocoa设计模式Cocoa环境的许多架构和机制都能够有效地使用设计模式：抽象设计可以解决特定环境中的重复问题。 本文描述了Cocoa中设计模式的主要实现，主要关注模型(Model) - 视图(View) - 控制器(Controller)和对象建模。 本章的主要目的是让您更深入地了解Cocoa的设
...
【iOS】OpenGL4-3新特性,计算着色器 Compute Shader
版权声明：本文为博主原创，如需转载请注明出处。
计算着色器是一个完全用于计算任意信息的 着色器阶段(Stage) 。虽然它可以渲染，但它通常用于与绘制三角形和像素无关的任务。
【AI】数据科学工具 Jupyter Notebook教程 in Python
Jupyter Notebook教程主要内容为：如何安装，运行和使用IPython进行交互式 matplotlib 绘图，数据分析，还有发布代码。
简单介绍Jupyter 是一个笔记本，这个笔记本可以编写和执行代码，分析数据，嵌入内容，以及共享可重复性的工作。Jupyter Notebook （以前
...
【iOS】Swift语法畅游，语法查询
最好下载官方的Playground Demo对比查看，写的很好。下载地址
如果官方更新地址，导致失效了，那就直接搜The Swift Programming Language，然后A Swift Tour中就能看到地址了。
学习新语法的经典通用语句：
1print("Hello, world!")
...
【iOS】iPhone摄影中的深度捕捉(WWDC2017-Session 507)
版权声明：本文为博主原创，如需转载请注明出处。
视频地址,只能用safari观看
前言507是深度媒体相关的概念层面的内容。主要为下面4个部分：
Depth and disparity on iPhone 7 Plus
Streaming depth data from the camera
...
【AI】机器学习入门系列06，Logistic Regression逻辑回归
引用课程：http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML16.html
Step1 逻辑回归的函数集上一篇讲到分类问题的解决方法，推导出函数集的形式为：
将函数集可视化：
图中z写错了，应该是 $z = \sum_{i} w_{i} x_{i}
...
【AI】机器学习入门系列05，Classification,Probabilistic Generative Model（分类,概率生成模型）
Gitbook传送门：https://yoferzhang.gitbooks.io/machinelearningstudy/content/
引用课程：http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML16.html
Classification 分类
...
【AI】机器学习入门系列04，Gradient Descent（梯度下降法）
Gitbook传送门：https://yoferzhang.gitbooks.io/machinelearningstudy/content/
先看这里，可能由于你正在查看这个平台行间公式不支持很多的渲染，所以最好在我的CSDN上查看，传送门：（无奈脸）
CSDN博客文章地址：http://blog.csdn.net/zyq522376829/article/details/66632699
什么是Gradient Descent（梯度下降法）？
在第二篇文章中有介绍到梯度下降法的做法，传送门：机器学习入门系列02，Regression 回归：案例研究
Review: 梯度下降法
在回归问题的第三步中，需要解决下面的最优化问题：
这里的parameters是复数，即 $\theta$ 指代一堆参数，比如上篇说到的 $w$ 和 $b$。
【AI】机器学习入门系列03，Error的来源：偏差和方差（bias 和 variance）
Gitbook传送门：https://yoferzhang.gitbooks.io/machinelearningstudy/content/
先看这里，可能由于你正在查看这个平台行间公式不支持很多的渲染，所以最好在我的CSDN上查看，传送门：（无奈脸）
CSDN博客文章地址：http://blog.csdn.net/zyq522376829/article/details/66611368
回顾
第二篇中神奇宝贝的例子：
【AI】机器学习入门系列02，Regression 回归：案例研究
Gitbook传送门：https://yoferzhang.gitbooks.io/machinelearningstudy/content/
先看这里，可能由于你正在查看这个平台行间公式不支持很多的渲染，所以最好在我的CSDN上查看，传送门：（无奈脸）
CSDN博客文章地址：http://blog.csdn.net/zyq522376829/article/details/66577532
为什么要先进行案例研究？
没有比较好的数学基础，直接接触深度学习会非常抽象，所以这里我们先通过一个预测 Pokemon Go 的 Combat Power (CP) 值的案例，打开深度学习的大门。
【AI】机器学习入门系列01，Introduction 简介
Gitbook传送门：https://yoferzhang.gitbooks.io/machinelearningstudy/content/
先看这里，可能由于你正在查看这个平台行间公式不支持很多的渲染，所以最好在我的CSDN上查看，传送门：（无奈脸）
CSDN博客文章地址：http://blog.csdn.net/zyq522376829/article/details/66478149
我们将要学习什么东东？
什么是机器学习？
有右边这样非常大的音频数据集，写程序来进行学习，然后可以输出音频“Hello”
【测试】只是为了测试数学公式
这个model 应该长什么样子呢，先写一个简单的
y = b + w \cdot x_{cp}$w$ 和 $b$ 是参数，可以是任何值。
定好了损失函数，可以衡量每一个方程的好坏，接下来需要从函数集中挑选一个最好的方程。将这个过程数学化：
f^{*}=\arg \min_{f} L(f)考虑只有
...