数学基础串讲
线性代数从几何直观入手，了解向量与矩阵的基本操作详细讲解矩阵导数
概率论概率论背后的哲思和原理
课程概览
理论极小值
For me, the theoretical minimum means just what you need to know in order to proceed to the next level. It means not fat encyclopedic textbooks that explains everything, but thin books that explain everything important
AI + SCI
AI&SCI已形成有机闭环，SCI早已对AI产生了深远的影响
AI4S随课程简单串讲经典的例子
S4AI在神经网络、生成模型中进行介绍
神经系统的电信号传递机制启发了现代人工神经网络及深度学习
统计物理理论对早期生成模型产生了深远影响
课程目标
弄懂底层公式和原理，多做习题，在自己的工作能够灵活的对其进行扩展、延伸
重点掌握机器学习中的不同任务，每种任务相关的算法，公式记住结果，能够将科研工作中遇到的问题转换成一个机器学习问题，并且找到相关解法即可
课程内容及资料下载
基础知识
-
01绪论
介绍课程的主要内容与学习目标。
-
02线性代数复习
从几何直观理解向量与矩阵的基本操作，学习矩阵导数。
-
03概率统计复习
介绍概率与统计的基本概念，理解其背后的哲思和原理。
有监督学习基础理论
-
04回归
介绍回归任务的建模方法与基本原理。
-
05分类
介绍分类任务的建模方法与基本原理。
深度学习简介
-
06.1基础篇
介绍 MLP 基础模型与 BP 算法。
06.2进阶篇
介绍高维数据、时序数据和图数据对应的深度学习方法，以及表格大模型与物理启发模型。
有监督学习进阶原理
-
07间隔理论
介绍间隔理论及其在学习算法中的作用。
-
08模型集成
介绍模型集成的基本思想与方法。
无监督学习中的原理
-
09聚类
介绍聚类任务的基本思想与方法。
-
10表征、重构及生成模型
介绍数据表征、重构与生成模型的基本原理。
查看完整大纲
基础知识
- 01绪论
介绍课程的主要内容与学习目标。
- 02线性代数复习
从几何直观理解向量与矩阵的基本操作，学习矩阵导数。
- 03概率统计复习
介绍概率与统计的基本概念，理解其背后的哲思和原理。
有监督学习基础理论
- 04回归
介绍回归任务的建模方法与基本原理。
- 05分类
介绍分类任务的建模方法与基本原理。
深度学习简介
- 06深度神经网络
06.1 基础篇 — 介绍 MLP 基础模型与 BP 算法。
06.2 进阶篇 — 介绍高维数据、时序数据和图数据对应的深度学习方法，以及表格大模型与物理启发模型。
有监督学习进阶原理
- 07间隔理论
介绍间隔理论及其在学习算法中的作用。
- 08模型集成
介绍模型集成的基本思想与方法。
无监督学习中的原理
- 09聚类
介绍聚类任务的基本思想与方法。
- 10表征、重构及生成模型
介绍数据表征、重构与生成模型的基本原理。