资源介绍：

适合人群

大学修过线性代数、概率论以及高等数学3门课程

你将会学到：

高等数学，线性代数，概率论与数理统计，手写计算公式步骤及过程

课程简介

本课程由毕业于北大数学科学学院的王老师带你多面系统的回顾机器学习所需的数学知识，包括高等数学，线性代数，概率论与数理统计，手写计算公式步骤及过程，确保数学不会成为你学好机器学习和深度学习的障碍

课程目录

• 第1章-微分上
• 1-1 课程介绍__
• 1-10 本集总结__
• 1-2 O（n）__
• 1-3 极限__
• 1-4 导数__
• 1-5 求导方法__
• 1-6 费马定理__
• 1-7 函数逼近__
• 1-8 泰勒展开__
• 1-9 凸函数__
• 第2章-微分下
• 2-1 本集介绍__
• 2-10 本集总结__
• 2-2 多元函数__
• 2-3 偏导数__
• 2-4 方向导数__
• 2-5 可微__
• 2-6 梯度__
• 2-7 链式法则__
• 2-8 Hessian矩阵__
• 2-9 拉格朗日乘数法__
• 第3章-线性代数
• 3-1 本集介绍
• 3-10 本集总结
• 3-2 向量矩阵张量
• 3-3 向量与矩阵运算
• 3-4 张量的运算
• 3-5 矩阵的逆与伪逆
• 3-6 行列式
• 3-7 线性方程组
• 3-8 二次型与正定性
• 3-9 矩阵分解
• 第4章-概率统计
• 4-1 本集介绍
• 4-10 zuida后验估计
• 4-11 蒙特卡洛方法
• 4-12 Bootstrap方法
• 4-13 EM算法
• 4-14 本集总结
• 4-2 随机变量与概率分布
• 4-3 贝叶斯定理
• 4-4 期望、方差与条件数学期望
• 4-5 大数定律
• 4-6 特征函数与中心极限定理
• 4-7 统计学基本概念
• 4-8 统计学基本概念
• 4-9 极大似然估计
• 第5章-zui优化方法
• 5-1 5.1 本集简介__
• 5-2 优化问题简介__
• 5-3 最速下降法__
• 5-4 共轭梯度法__
• 5-5 牛顿法__
• 5-6 拟牛顿法__
• 5-7 约束非线性优化__
• 5-8 KKT条件__
• 5-9 本集总结__