阅读过一些大家公布在网上自己的机器学习笔记，向这些作者至敬，深知总结和发布文章的不易。这篇文章与其他笔记不同，目的在于快速的帮助回忆起一些概念和算法/模型的结构，基本公式。所以，不会出现有大段的公式推导，更不会有大片的PPT和公式贴图。尽力将基本细节用最少的语言和图表描述清楚。
例如：帮助一些刚刚接触相关内容的同学，在他们学习过一段时间后，记忆变得比较模糊，便可以通过阅读这篇文章快速的回忆起相关的重点内容；对于一些已经有丰富经验或者工作的人来说，在想到相关概念但是又忘记了一些基本的细节的时候，可以通过这篇文章快速的找到自己需要的公式或者结构图。或者，突然想不起来Adam算法大概是怎么回事，可以通过大概看一眼文章的描述便可以想起主要思想。
真心的欢迎提出改进的建议和想法！
【最近更新：2018.01.27】
（持续更新中...）
文章目录：
- Gradient Descent （梯度下降）
- Computation Graph （计算图）
- Backpropagation (利用计算图来解释反向传播算法，如何求每个参数的导数)
- Models
- Logistic Regression （逻辑斯特回归，逻辑回归，sigmoid函数，二分类问题）
