AI牵涉到的一些基础数学：
Linear Algebra（离散数学）
Vectors（空间向量） 界定、标量、加减法、标量加法、内积(点积)、向量投影、余弦相似度、正交向量、法向量和规范正交向量、向量范数、向量空间、线性组合、线形张成、线性无关、基向量
Matrices（引流矩阵） 界定、加减法、转置、标量加法、矩阵乘法、矩阵乘法的特性、阿达玛积、涵数、线性变换、行列式、单位矩阵、可逆矩阵和逆、秩、迹、引流矩阵的常见种类——对称性、顶角、正交、规范正交、正定矩阵
Eigenvalues &eigenvectors（矩阵的特征值与矩阵的特征值） 定义、判断力、实际意义、怎样发觉
Principle component analysis（主份量剖析） 定义、特性、运用
Singular valuee composition（sv分解） 定义、特性、运用
Calculus（高等数学）
Functions（涵数）
Scalar erivative（标量求微分） 界定、判断力、求微分的一般标准、链式法则、偏导数
Graient（梯度方向转变 曲线图） 定义、判断力、特性、方向导数
Vector an matrix calculus（空间向量和引流矩阵运算） 空间向量和引流矩阵运算、雅可比矩阵
Graient algorithms（梯度方向优化算法） 部分/全局性连续函数和极小值、鞍点、凸函数、梯度下降法优化算法-批处理命令、小批处理命令、任意、特性较为
Probability（几率）
Basic rules anaxioms（基本上标准和公理） 事情、样本空间、頻率方式、有关和独立事件、条件概率
Ranom variables-continuous an iscrete, expectation, variance, istributions- joint anconitional（随机变量-持续和离散变量、期待、标准差、遍布-协同和标准）
Bayes’ Theorem,MAP, MLE（贝叶斯定理、MAP、MLE）
Popularistributions- binomial, bernoulli, poisson, exponential, gaussian（时兴遍布-二项式、伯努利、泊松、指数值、高斯函数）
Conjugate priors（共轭点先验）
Miscellaneous（别的主要参数）
- Information theory-entropy, cross-entropy, KL ivergence, mutual information（信息论基础-熵、交叉熵、KL散度、互信息 ）
- Markov Chain-efinition, transition matrix, stationarity（马尔可夫链-界定、转移矩阵、稳定性）
