专栏总目录（新）
当我们在谈论职场
当我们在谈论Deep Learning进阶
当我们在谈论Multi-Task Learning(多任务/多目标学习)
当我们在谈论推荐系统
当我们在谈论AI
AI 的概念前些年可谓是甚嚣尘上，虽然今年（2018）由于新的风口的出现，其热度相对减弱，但得益于前些年各厂商的狂轰乱炸，“未来已来”的概念已经深入人心，大家似乎预感 AI 时代马上就要来临。那么，如今 AI 的现状究竟如何呢？在这个系列中，我会挑选一些当前有趣的 AI 应用，简单回顾它们的发展并实践（可能的话）其结果，（尽可能）展现一个真实的 AI 现状。包含的文章如下：
当我们在谈论GBDT【完结】
由于 GBDT 效果一直比较好，加上 XGBoost 的易用性，GBDT 近几年在Kaggle等竞赛中受到追捧。同时，也带火了相关的一些 Ensemble Learning 算法。我想系统的梳理一下相关的知识点，但网上有关 GBDT 的文章相对琐碎，所以有了这个系列。这个系列主要从理论层面去梳理相关概念，包含的文章如下：
当我们在谈论GBDT：从 AdaBoost 到 Gradient Boosting
当我们在谈论GBDT：Gradient Boosting 用于分类与回归
当我们在谈论GBDT：其他 Ensemble Learning 算法
当我们在谈论 Deep Learning【完结】
Deep Learning 是众多机器学习算法中的一种。它起源于60年代的 Perceptron，经过80年代的 Artificial Neural Network，现阶段被称为 Deep Learning。迄今为止，是“有监督学习”领域最强大的算法类型，暂时还没有“之一”。同时，它也正在往”无监督“和”强化学习“领域扩散。网络上虽然已经有不少介绍 Deep Learning 的文章，但是大多不成系统，或作者并没有持续更新。因此便想自己写一个系列，梳理 Deep Learning 经典结构或算法，尽量保持更新。本系列包含的文章如下：
Supervised Learning：
当我们在谈论 Deep Learning：DNN 与 Backpropagation
当我们在谈论 Deep Learning：DNN 与它的参数们（壹）
当我们在谈论 Deep Learning：DNN 与它的参数们（贰）
当我们在谈论 Deep Learning：DNN 与它的参数们（叁）
当我们在谈论 Deep Learning：CNN 其常见架构（上）
当我们在谈论 Deep Learning：CNN 其常见架构（下）
当我们在谈论 Deep Learning：RNN 其常见架构
Unsupervised Learning：
当我们在谈论 Deep Learning：AutoEncoder 及其相关模型
当我们在谈论 Deep Learning：GAN 与 WGAN
Reinforcement Learning：
当我们在谈论K-means【完结】
在网上找到的K-means或聚类相关的文章，内容大多较为琐碎，不太能帮助深入理解它。为了加深对K-means的理解，以便在实际中调参与修改算法，于是有了这个系列。此系列主要是从理论层面去理解K-means及相关算法，包含的文章如下：
