数学基础

数学是 AI 的语言。没有扎实的数学基础，就像没有钢筋的高楼，华而不实。

本章知识地图

数学基础
├── 线性代数（向量 → 矩阵 → 范数 → 特征值分解）
├── 微积分（导数 → 偏导数 → 梯度 → 链式法则）
├── 概率统计（概率 → 期望 → 贝叶斯定理）
└── 编程工具（NumPy 向量化 → 归一化 → 标准化）

章节目录

章节	核心内容	重要性
线性代数	向量、矩阵乘法、范数、PCA	⭐⭐⭐⭐⭐
微积分与梯度	导数公式、链式法则、梯度下降	⭐⭐⭐⭐⭐
向量化计算	NumPy 矩阵运算、批量处理	⭐⭐⭐⭐
归一化与标准化	Min-Max、Z-Score、正态化	⭐⭐⭐⭐

为什么数学如此重要？

在机器学习中，一切模型本质上都是数学函数：

• 线性回归 = 矩阵乘法 + 最小二乘法
• 梯度下降 = 微积分求导 + 方向向量
• 神经网络 = 矩阵链式乘法 + 链式求导
• Transformer = 矩阵点积注意力

数学工具	在 AI 中的应用
向量内积	Attention 机制的相似度计算
矩阵乘法	神经网络每一层的线性变换
偏导数	反向传播中参数的更新
链式法则	深层网络中梯度的传递
特征值分解	PCA 降维、数据主成分分析