之前在简书上发过两个帖子，分别总结了CS以及机器学习的课程资源，现在也学习了几个月，就把学完的记录在这里，部分课程做了笔记的也会列出。

系统自学计算机课程：

https://www.jianshu.com/p/8f2646a825e8

机器学习资料：

https://www.jianshu.com/p/dc9020fd03b1

之前整理CS229和CS231作业的时候发现CNN和RNN的反向传播推导还是有些难度的，由此产生了整理机器学习中的线性代数的想法，整理内容包括（但不限于）向量微积分，奇异值分解，反向传播的推导等等，每个部分都会给出严格的理论推导，相应的代码以及其应用。这篇博客相当于一个索引，给出主要的结论，并且会经常更新，每个结论背后的理论推导都会专门写一篇博客进行补充。

课程主页：https://see.stanford.edu/Course/EE261

这次回顾Problem Set 8。

课程主页：https://see.stanford.edu/Course/EE261

这次回顾Problem Set 7。

课程主页：https://see.stanford.edu/Course/EE364A

最近开始学习凸优化，公开课为斯坦福的凸优化公开课，主页如下。这次回顾凸优化第一第二讲，这部分介绍了凸集的概念。

课程主页：https://see.stanford.edu/Course/EE261

这次回顾第三十讲，这一讲介绍了二维傅里叶变换的应用以及拉东变换。

课程主页：https://see.stanford.edu/Course/EE263

这次回顾第十九讲，这一讲结束了可控性和状态转移，介绍了可观测性和状态观测。

课程主页：https://see.stanford.edu/Course/EE261

这次回顾第二十九讲，这一讲介绍了高维$\text{III}$函数。

课程主页：https://see.stanford.edu/Course/EE261

这次回顾第二十八讲，这一讲介绍了高维傅里叶变换的性质以及高维傅里叶序列。

课程主页：https://see.stanford.edu/Course/EE261

这次回顾Problem Set 6。