第 14 课：RNN / LSTM 与序列建模
从空间到时间——理解 RNN 如何用隐藏状态处理序列数据，以及 LSTM 如何通过门控机制解决梯度消失
每天半小时，持续推进 AI 学习之旅
从空间到时间——理解 RNN 如何用隐藏状态处理序列数据，以及 LSTM 如何通过门控机制解决梯度消失
从全连接到卷积——理解 CNN 如何用「局部感知 + 参数共享」彻底改变图像识别，在 MNIST 上达到 ~97%
SGD → Momentum → Adam 的演进，加上 Dropout、L2 等正则化技巧——让神经网络真正能训练好
从感知机到多层网络，理解前向传播与反向传播——进入深度学习时代
无监督学习的另一面：从「最佳视角看数据」到协方差矩阵与特征分解
无监督学习入门：从「扎堆」直觉到 KMeans 迭代算法
两种经典分类哲学：基于距离的懒惰学习 vs 基于概率的快速分类器
在两类之间找最宽的路：最大间隔分类器、支持向量、核技巧与 RBF 核
三个臭皮匠顶个诸葛亮：集成学习如何让弱学习器变强，掌握 Bagging 与 Boosting
决策思维：从 if-else 到树形模型的直观算法，掌握信息熵与信息增益
平衡艺术：防止模型过拟合的正则化技术，掌握偏差-方差权衡
量化模型质量：从准确率到稳健验证，掌握评估指标与交叉验证
从连续预测到概率分类，掌握 sigmoid 函数与决策边界
从零实现线性回归，理解损失函数与梯度下降
从零实现线性回归，理解损失函数与梯度下降