课程目录：
阶段1:线性代数:批量数据规律的研究
阶段2:线性代数实战
阶段3:微积分:研究数据变化的规律与模型优化
阶段4:微积分实战和进阶
阶段5:概率论:应对现实世界中不确定性、神经网络的理论基础
阶段6:综合实战、总结
课件资料
├─课件资料
├─阶段1：线性代数：批量数据规律的研究
│ ├─第1周 线性代数入门：由来、与人工智能的关系
│ │ ├─1-1 第1章 线性代数入门：由来、与人工智能的关系
│ │ └─1-2 第2章 线性代数核心概念-走进矩阵
│ ├─第2周 矩阵进阶运算与矩阵分解
│ │ ├─2-1 第1章 矩阵进阶运算
│ │ └─2-2 第2章 矩阵分解
│ ├─第3周 特征分解
│ │ └─3-1 第1章 特征分解
│ ├─第4周 奇异值分解SVD
│ │ └─4-1 第1章 奇异值分解SVD
│ └─第5周 主成分分析PCA
│ └─5-1 第1章 主成分分析PCA
├─阶段2：线性代数实战
│ ├─第6周 Numpy快速上手，用Python实现矩阵
│ │ ├─6-1 第1章 Numpy学习入门
│ │ └─6-2 第2章 用Python实现矩阵
│ └─第7周 数据处理方法与矩阵与图形变换
│ ├─7-1 第1章 数据处理方法
│ └─7-2 第2章 矩阵与图形变换
├─阶段3：微积分：研究数据变化的规律与模型优化
│ ├─第10周 积分基础
│ │ └─10-1 第1章 积分基础
│ ├─第8周 微积分入门，微积分核心基础
│ │ ├─8-1 第1章 微积分入门
│ │ └─8-2 第2章 微积分核心基础
│ └─第9周 微积分进阶与多元微积分
│ ├─9-1 第1章 微积分进阶
│ └─9-2 第2章 多元微积分
├─阶段4：微积分实战和进阶
│ ├─第11周 用微积分知识实现一个神经网络
│ │ └─11-1 第1章 用微积分知识实现一个神经网络
│ ├─第12周 ROC曲线与分类性能评估
│ │ └─12-1 第1章 ROC曲线与分类性能评估
│ ├─第13周 神经网络梯度问题
│ │ ├─13-1 第1章 神经网络梯度问题
│ │ └─13-2 第2章 神经网络梯度问题-习题讲解与强化练习
│ ├─第14周 神经网络自动微分
│ │ ├─14-1 第1章 神经网络自动微分
│ │ └─14-2 第2章 神经网络自动微分-习题精讲与强化练习
│ └─第15周 偏导数与模型优化与支持向量机SVM
│ ├─15-1 第1章 偏导数与模型优化
│ ├─15-2 第2章 偏导数习题精讲与实践
│ ├─15-3 第3章 支持向量机SVM
│ └─15-4 第4章 支持向量机SVM：间隔最大化的数学魔法
├─阶段5：概率论：应对现实世界中不确定性、神经网络的理论基础
│ ├─第16周 概率基础与离散概率分布
│ │ ├─16-1 第1章 概率基础
│ │ ├─16-2 第2章 概率基础练习解析
│ │ ├─16-3 第3章 离散概率分布
│ │ └─16-4 第4章 离散概率分布-练习解析
│ ├─第17周 连续概率分布与概率密度估计
│ │ ├─17-1 第1章 连续概率分布
│ │ ├─17-2 第2章 连续概率分布-习题解析
│ │ ├─17-3 第3章 概率密度估计
│ │ └─17-4 第4章 概率密度估计-习题解析
│ ├─第18周 最大似然估计，贝叶斯概率
│ │ ├─18-1 第1章 最大似然估计
│ │ ├─18-2 第2章 贝叶斯概率
│ │ ├─18-3 第3章 练习：最大似然估计
│ │ └─18-4 第4章 练习：贝叶斯概率
│ └─第19周 贝叶斯回归
│ └─19-1 第1章 贝叶斯回归
└─阶段6：综合实战、总结
└─第20周 LLM大语言模型的实现：深入大语言模型的核心数学原理
├─20-1 第1章 LLM大语言模型的实现和背后的数学原理
└─20-2 第2章 数学面试题讲解
评论0