这篇文章开篇讲述了什么是Semi-supervised Learning（半监督学习）？

再次，文章具体阐述了四种Semi-supervised Learning，包括Generative Model，Low-density，Smoothness Assumption和Better Representation。

对于Generative Model，文章重点讲述了如何用EM算法来训练模型。

对于Low-density，文章重点讲述了如何让模型进行Self-training，并且在训练中引入Entropy-based Regularization term来尽可能low-density的假设。

对于Smoothness Assumption，文章重点讲述了Graph-based Approach（基于图的方法），并且在训练中引入Smoothness Regularization term来尽可能满足Smoothness Assumption的假设。

对于Better Representation，本篇文章只是简单阐述了其思想，具体介绍见这篇博客。

本篇文章review了算法中的排序算法，包括冒泡排序、插入排序、归并排序、堆排序（以及用堆实现优先队列）、快速排序和计数排序。

分别从算法思路、算法伪代码实现、算法流程、算法时间复杂度四个方面阐述每个算法。

Stream Cipher的第三篇文章。

文章主要分为两部分，前部分逐步定义Secure PRG的定义，通过引入statistical test（统计测试）和Advantage（优势）得出当且仅当PRG is unpredictable,PRG is secure的结论。

后部分介绍了密码学中的一个重要概念Semantic Security的定义，通过引入 computationally indistinguishable(计算上不可区分)的概念给出定义，并证明了OTP的语意安全和在安全PRG条件下的流密码的语意安全，得出如果流密码中使用的PRG is secure,那么流密码就具备semantic security。

文章开头，也简单介绍了密码学中negligible和non-negligible的含义。

这篇文章中首先从RNN能解决什么问题入手，分析了RNN与一般NN的区别。
然后着重讲解了基于RNN的LSTM模型，包括LSTM的细节、和一般NN的区别，以及如何训练LSTM模型。
具体阐述了在模型（RNN类模型）训练过程中为什么会遇到剧烈抖动问题和如何解决抖动的工程解决方法。

这篇文章中首先介绍了为什么要用CNN做图像识别，或者说图像识别问题的特点是什么？
文章中也详细介绍了CNN的具体架构，主要包括Convolution、Max Pooling、Flatten。
文章最后简要介绍了CNN在诸多领域的应用。

这篇文章中，详尽阐述了在训练Deep Neural Network时，改善performance的一些tips。
tips从Training和Testing两个方面展开。
在Training中结果不尽人意时，可以采取更换新的activation function（如ReLu,Maxout等）和采用Adaptive Learning Rate的GradientDescent算法（除了Adagrad,还有RMSprop、Momentum、Adam等）。
当在Training中得到好的performance，但在testing中perform bad时，即遇到了overfitting，又该怎么处理呢？文章后半部分详尽介绍了EarlyStopping、Regularization和Dropout三个solution。

这篇文章中，讲解了Deep Learning中使用的一种高效Gradient Descent的算法：BackPropagation。
BackPropagation通过正向传播和反向传播两个阶段，最后能一起算出损失函数对每一个参数的gradient。

这篇文章中，介绍了Deep Learning的一般步骤。

这篇文章中，手刻实现了「机器学习-李宏毅」的HW2-Binary Income Prediction的作业。分别用Logistic Regression和Generative Model实现。
包括对数据集的处理，训练模型，可视化，预测等。
有关HW2的相关数据、源代码、预测结果等，欢迎光临小透明的GitHub

在本篇文章中，用手刻Adagrad完成了「机器学习-李宏毅」的HW1-预测PM2.5的作业。其中包括对数据的处理，训练模型，预测，并使用sklearn toolkit的结果进行比较。
有关HW1的相关数据、源代码、预测结果等，欢迎光临小透明的GitHub