线性代数 🔢

  • 核心概念：向量、矩阵、张量、特征值与特征向量
  • 应用场景：数据表示、降维（如PCA）、神经网络权重计算
Linear_Algebra

概率统计 📈

  • 基础理论：概率分布（正态分布、伯努利分布）、期望与方差
  • 关键工具：贝叶斯定理、假设检验、最大似然估计
Probability_Distribution

微积分 📐

  • 核心内容：导数、梯度、链式法则
  • 机器学习关联：损失函数优化、反向传播算法
Calculus_Graph

优化理论 🔄

  • 经典算法：梯度下降、牛顿法、共轭梯度法
  • 目标：最小化损失函数，提升模型性能
Gradient_Descent

了解更多数学在机器学习中的应用 ⬆️