线性代数：深度学习的骨架
深度学习的核心数据结构是张量（Tensor），其本质是多维数组。掌握以下概念是关键：
- 矩阵乘法与转置
- 特征向量与本征值
- 矩阵分解（如SVD）
- 矩阵的迹与行列式
推荐阅读：线性代数在深度学习中的应用
概率与统计：不确定性建模
深度学习依赖概率方法处理数据噪声与模型不确定性，重点包括：
- 概率分布（高斯分布、伯努利分布）
- 随机变量与期望
- 协方差矩阵与相关性
- 贝叶斯定理与最大似然估计
扩展学习：概率论与统计学基础
优化方法：模型训练的引擎
梯度下降（Gradient Descent）是深度学习训练的核心算法，需理解：
- 损失函数设计（交叉熵、均方误差）
- 学习率调整与动量法
- 随机梯度下降（SGD）与Adam优化器
- 正则化技术（L1/L2正则化）
相关教程：优化算法详解
微积分：模型更新的数学语言
导数与梯度是参数更新的依据，需掌握：
- 链式法则与反向传播
- 偏导数与梯度计算
- 凸函数与极值点
- 积分在概率中的应用
延伸阅读：微积分与深度学习