程式學習

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

透過迴歸（Regression），我們可以進行預估，而所謂的感知器（Perceptron），則與分類有關，我們可基於人類大量觀察的要點來建立

以Matplotlib來進行2D繪圖之餘，我們也可以用它來執行3D繪圖，若要將其做為3D建模工具，讓這類非典型的應用是有可能實現的，而且，還可以發掘更多實用的功能

NumPy陣列提供與list相同的索引方式，但並非使用了NumPy，資料處理速度就會自動躍進，開發者須改變思考方式，才能善用NumPy陣列的效能優勢

Voronoi圖案代表著勢力均衡，Delaunay三角分割代表著一組特徵點不重複的獨立三角區域，這兩種圖形之間有著相當密切的關係，它們各自有哪些演算方式與幾何特性？

若要透過程式來構成看似隨機卻隱含規則的沃羅諾伊圖形（Voronoi Diagram），我們可運用Worley 噪聲來達成，在理解原理時，只需考量像素與點的距離，而不需複雜的幾何計算或演算法

探究Shape Rendering演算，了解像素組成各種基本圖案的方式，對於打造繪圖程式庫是必要課題，而就演算分析而言，也是不錯的基礎訓練

在設計程式時，我們所選擇的演算法，將會決定問題解決的大方向，而對於資料結構的選擇，則影響了實作程式的難易度