01
人工智能的浪潮已席卷全球，“人工智能（AI）”、“机器学习”、“深度学习”等词汇经常出现在我们的视线中，同时绝大部分人也往往搞不清这些看起来很高大上的词汇之前有何异同。
概括来说，“机器学习”是目前实现“人工智能”最主流的一种方法；机器学习中有一种叫“神经网络（学习）”的算法，当神经网络层数≥8层时，便可称为“深度学习”。
也就是说，要想进军人工智能，机器学习务必学好，神经网络和深度学习则是机器学习纵向发展的方向之一。
而机器学习，不仅仅要求能敲代码，对数学也有一定的要求。
（说不需要数学基础也能学好机器学习的，那都是耍流氓！）
数学基础不扎实，只会用一些机器学习的工具和框架，就好比学功夫只学其形不学其神，空有花架子，碰到实战就一定是鼻青脸肿。
02
机器学习需要哪些数学基础呢？
1. 线性代数：向量、向量的点积与叉积、行列式、代数余子式、矩阵、矩阵和方程组、矩阵的秩、逆矩阵、高斯—诺尔当消元法、消元矩阵与置换矩阵、矩阵的LU分解、欧几里得距离、曼哈顿距离、切比雪夫距离、夹角余弦等；
2. 高等代数：导数、微分、不定积分、定积分、弧长、偏导、多重积分、范数、参数方程、极坐标系、柱坐标系、球坐标系、梯度、梯度下降算法、方向导数、线性近似、二阶近似、泰勒公式、牛顿法、zuixiao二乘法、求解极值、拉格朗日乘子法、KKT条件、欧拉—拉格朗日方程等；
3. 概率论与统计学：概率、期望、古典概型、几何概型、互斥事件、独立事件、分布函数、离散型分布、连续型分布、假设检验、贝叶斯公式等。
03
实验楼近期上线了新课《机器学习数学基础》，课程共包含3个实验、3个挑战，融合了大部分机器学习需掌握的数学知识。
通过课程，你将学到以下知识点：
- 标量、向量与张量
- 矩阵加法和乘法
- Python 的广播机制
- 单位矩阵
- 矩阵的转置
- 矩阵的逆
- 特征值分解和奇异值分解
- 主成分分析法
- 函数
- 导数与偏导数
- 链式法则
- 梯度下降算法
- 最小二乘法
- 条件概率公式
- 全概率公式
- 贝叶斯公式
- 概率分布
- 数学期望
- 方差和协方差假设检验
点击《机器学习数学基础》，即刻开启机器学习入门之旅！