AI与数学的关系可以总结为: 一个在AI领域工作的人不懂数学,就像一个不知道如何说服别人的政客。两者工作时都有不可逃避的领域!
AI涉及到的一些基础数学:
Linear Algebra(线性代数)
Vectors(向量) 定义、标量、加法、标量乘法、内积﹙点积﹚、向量投影、余弦相似度、正交向量、法向量和标准正交向量、向量范数、向量空间、线性组合、线性张成、线性无关、基向量
Matrices(矩阵) 定义、加法、转置、标量乘法、矩阵乘法、矩阵乘法的性质、阿达玛积、函数、线性变换、行列式、单位矩阵、可逆矩阵和逆、秩、迹、矩阵的常用类型——对称、对角、正交、标准正交、正定矩阵
Eigenvalues &eigenvectors(特征值与特征向量) 概念、直觉、意义、如何发现
Principle component analysis(主分量分析) 概念、性质、应用
Singular valuee composition(奇异值分解) 概念、性质、应用
Calculus(微积分)
Functions(函数)
Scalar erivative(标量微分) 定义、直觉、微分的一般规则、链式法则、偏导数
Graient(梯度变化曲线) 概念、直觉、性质、方向导数
Vector an matrix calculus(向量和矩阵演算) 向量和矩阵演算、雅可比矩阵
Graient algorithms(梯度算法) 局部/全局极大值和极小值、鞍点、凸函数、梯度下降算法-批处理、小批处理、随机、性能比较
Probability(概率)
Basic rules anaxioms(基本规则和公理) 事件、样本空间、频率方法、相关和独立事件、条件概率
Ranom variables-continuous an iscrete, expectation, variance, istributions- joint anconitional(随机变量-连续和离散、期望、方差、分布-联合和条件)
Bayes’ Theorem,MAP, MLE(贝叶斯定理、MAP、MLE)
Popularistributions- binomial, bernoulli, poisson, exponential, gaussian(流行分布-二项式、伯努利、泊松、指数、高斯)
Conjugate priors(共轭先验)
Miscellaneous(其他参数)
- Information theory-entropy, cross-entropy, KL ivergence, mutual information(信息论-熵、交叉熵、KL散度、互信息 )
- Markov Chain-efinition, transition matrix, stationarity(马尔可夫链-定义、转移矩阵、平稳性)
如果您喜欢我的文章,可以关注我或对我的文章进行点赞、评论、收藏。