論文精讀：比特幣區塊鏈中本聰其實是一篇論文？說了些什麼？

歡迎來到我的頻道，在這裡我會講解機器學習、深度學習最經典或最前沿的模型，同時我也會講在美國如何生活，如何找工作，如何刷LeetCode，如何快速融入社會。喜歡記得訂閱、按讚！如果你有什麼想聽的，在下面留言吧！

目前的講解清單：
線性迴歸(LR)、邏輯迴歸(LogR)、多項式迴歸(PR)、Lasso 迴歸、Ridge 迴歸、彈性網路(Elastic Net)、決策樹(DT)、隨機森林(RF)、梯度提升樹(GBT)、 XGBoost、LightGBM、CatBoost、支援向量機(SVM)、樸素貝葉斯(NB)、K 最近鄰(KNN)、主成分分析(PCA)、獨立成分分析(ICA)、線性判別分析(LDA)、t -分佈鄰近嵌入(t-SNE)、高斯混合模型(GMM)、聚類分析(CA)、K 均值聚類(K-means)、DBSCAN、HDBSCAN、層次聚類(HC)、GAN (生成對抗網絡)、CGAN、DCGAN、WGAN (Wasserstein GAN)、StyleGAN、CycleGAN、VAE (變分自編碼器)、GPT (生成式預訓練模型)、BERT、Transformer、LSTM (長短期記憶網絡)、GRU (門控循環單元)、RNN (循環神經網路)、CNN (卷積神經網路)、AlexNet、VGG、GoogLeNet、ResNet、MobileNet、EfficientNet、Inception、DeepDream、深度信念網路(DBN)、自動編碼器(AE)、強化學習(RL)、Q-learning、SARSA、DDPG、A3C、SAC、時序差分學習(TD)、Actor-Critic、對抗訓練(Adversarial Training)、梯度下降(GD)、隨機梯度下降(SGD)、批次梯度下降(BGD)、Adam、RMSprop、AdaGrad、AdaDelta、Nadam、交叉熵損失函數(Cross-Entropy Loss)、均方誤差損失函數(Mean Squared Error Loss)、KL 散度損失函數(KL Divergence Loss)、Hinge損失函數、感知器(Perceptron)、RBF 神經網路、Hopfield 網路、Boltzmann 機、深度強化學習(DRL)、自我監督學習(Self-supervised Learning)、遷移學習(Transfer Learning)、泛化對抗網路(GAN) 、對抗生成網路(GAN)、訓練生成網路(TGAN)、CycleGAN、深度學習生成模型(DLGM)、自動編碼器生成對抗網路(AEGAN)、分散式自編碼器(DAE)、網路啟動最佳化器(NAO )、自編碼器(Autoencoder)、VQ-VAE、LSTM-VAE、卷積自編碼器(CAE)、GAN 自編碼器(GANAE)、U-Net、深度Q 網路(DQN)、雙重DQN (DDQN) 、優先回放DQN (Prioritized Experience Replay DQN)、多智能體DQN (Multi-agent DQN)、深度確定性策略梯度(DDPG)、感知器(Perceptron)、稀疏自編碼器(SAE)、稀疏表示分類(SRC )、深度信賴網路(DBN)、支援向量機(SVM)、整合學習(Ensemble Learning)、隨機森林(Random Forest)、極限梯度提昇樹(XGBoost)、AdaBoost、梯度提昇機(Gradient Boosting Machine)、Stacking 、貝葉斯優化器(Bayesian Optimization)、貝葉斯網路(Bayesian Network)、EM 演算法(Expectation-Maximization Algorithm)、高斯過程(Gaussian Process)、馬爾科夫鏈蒙特卡羅(MCMC)、強化學習( Reinforcement Learning)、無監督學習(Unsupervised Learning)、半監督學習(Semi-supervised Learning)、監督學習(Supervised Learning)、遷移學習(Transfer Learning)、維數約簡(Dimensionality Reduction)、特徵選擇(Feature Selection )、特徵提取(Feature Extraction)、正規化(Regularization)、標準化(Normalization)、聚類(Clustering)、分類(Classification)、迴歸(Regression)、降維(Dimensionality Reduction)、特徵映射(Feature Mapping)、神經網路(Neural Network)、神經元(Neuron)、激活函數(Activation Function)、損失函數(Loss Function)、優化器(Optimizer)、學習率(Learning Rate)、批次大小(Batch Size)、迭代次數(Epoch)、超參數(Hyperparameter)、模型評估(Model Evaluation)、交叉驗證(Cross Validation)、混淆矩陣(Confusion Matrix)、ROC 曲線(ROC Curve)、​​AUC 值(AUC Value)、精確度(Precision) 、召回率(Recall)、F1 分數(F1 Score)、模型解釋(Model Interpretability)、特徵重要性(Feature Importance)、局部解釋(Local Explanation)、全局解釋(Global Explanation)、機器學習管道(Machine Learning Pipeline )、一鍵生成模型(AutoML)、超參數最佳化(Hyperparameter Tuning)、FFT、拉普拉斯變換、z變換、傅立葉變換、短時間傅立葉變換(STFT)、IIR、FIR、卡爾曼濾波、DIP演算法、小波變換