超越分组：聚类算法的第一性原理深度解析
本文从第一性原理出发，深入探讨聚类分析的数学本质、几何意义及哲学内涵。不仅涵盖从 K-Means 到谱聚类的数学推导，更包含完整的 Python 实战对比，揭示基于概率（GMM）与基于拓扑（Spectral）的算法在处理复杂数据结构时的本质差异。
拟牛顿法的巅峰：BFGS 算法详解与code实现
牛顿法太慢，梯度下降太蠢。BFGS 算法作为拟牛顿法家族的皇冠，如何在不计算海森矩阵的情况下，利用梯度的历史信息构造出完美的曲率近似？本文将从割线方程推导核心公式，并提供完整的 Python 实现。
深度解析海森矩阵：从二阶曲率到高维优化
本文从第一性原理出发，深入探讨海森矩阵（Hessian Matrix）的数学本质、几何意义及其在现代优化理论和机器学习中的核心作用。我们将通过泰勒展开、特征值分析以及牛顿法，揭示这一二阶导数矩阵如何决定系统的局部行为。