程式人｜林信良

在電腦繪圖中，圓與球的繪製看似簡單，然而，進一步所延伸出來的需求，並非依賴直覺就能解決，事實上，正確地認識圓與球中的數學，才是正確的解決方式

若對於卷積神經網路中卷積、填補、池化等觀念感到難以理解，我們可以試著從圖像處理的卷積運算這類可解釋模型當中來理解，從而認識到卷積神經網路，其實就是從資料生成濾鏡的事實

PyTorch是支援深度學習的框架，為了不迷失在API之中，可藉由NumPy實現簡單的學習模型，逐步轉換至PyTorch，認識相關元件的方便，瞭解支援的流程典範

目前如果要使用程式碼進行CAD的設計，能選擇的方式很多，而且應用上日漸成熟

在非監督式的K-means分群方式下，無論是勢力範圍、群數的衡量等，都是以距離作為依據，同一勢力範圍內的資料，必要時，也可以使用群心來加以代表

對於高維度的資料，我們除了能運用主成分分析來降低資料的維度，但仍存在對既有資料提升維度的需求，可用提高維度後的資料來進行線性分類

關於資料的處理，可能會透過降低維度的方式來進行，但重點或許在於理解資料在不同維度的樣貌

身為想了解機器學習的開發者，若要瞭解原始碼實現方式，背後數學原理，該如何進入這個領域？我們能以向量運算、矩陣運算、微積分等來思考，將數學與程式的心智模型結合