2024-07-02資訊

01 為什麽要學這門課？

在人工智慧領域，無論是機器人、語音辨識，還是影像辨識、自然語言處理都離不開數學。因為人工智慧的核心是演算法，而演算法的基礎就是數學。所以說，數學功底才是碼農們轉型人工智慧無論如何都是繞不開的門檻，傳統程式設計師要想轉戰AI，任何繞過數學的想法都是鴕鳥策略。

微積分，線性代數，機率論在機器學習幾乎所有演算法中不可或缺。如果你數學不是那麽紮實，大學學的數學知識都還給老師了（大部份同學都是如此），那麽重新溫習一下這些重要概念也不錯。

02 如何學這門課？

董雪婷（Yuki）

復旦大學數學科學學院

CDA Institute會員

擁有近10年的數據計畫工作經驗，曾就職於美資咨詢公司Hay Group(現名為光輝合益)，透過數據驅動幫助客戶提升組織效能。後轉為甲方企業資深資料探勘工程師，曾就職於攜程、餓了麽、陸金所。主要從事數據分析和挖掘工作。

美女講師Yuki，帶你輕松愉快地學習讓很多人頭疼的數學知識，讓你發現數學原來如此有趣。充分理解每個章節的核心概念，掌握基本的計算技巧，並能夠將所學知識套用到實際問題中。

03 這門課誰適合學？

機器學習演算法工程師 ：這門課程提供了微積分、線性代數和機率論等數學基礎，在機器學習演算法的開發中扮演著重要角色。微積分的函式、極限和連續等概念幫助理解機器學習模型的最佳化過程，微分和定積分則有助於構建損失函式和最佳化演算法。線性代數的向量和矩陣概念及其運算規則用於表示和處理大量的數據特征，同時也用於矩陣分解和降維等技術。機率論為機器學習提供了統計推斷、貝葉斯網路和隱馬可夫模型等基礎。

人工智慧產品經理 ：對於人工智慧產品經理來說，理解微積分、線性代數和機率論的基本概念是至關重要的。可以幫助他們深入理解人工智慧技術的原理和套用場景，並與技術團隊進行有效溝通和協作。對微積分的理解評估和最佳化模型的效能，對線性代數的掌握能夠更好地理解和設計人工智慧演算法，而機率論則評估和解釋模型預測結果的工具。

數據分析師 ：對於數據分析師來說，這門課程提供了數學基礎，有助於更深入地理解和套用數據分析方法。微積分的函式和極限概念可用於理解數據趨勢和變化規律，微分和定積分可用於計算導數、面積和累積值等。線性代數中的向量和矩陣運算可用於處理和轉換大規模數據，特征值和特征向量的概念可用於降維和特征選擇。機率論為數據分析師提供了統計推斷和假設檢驗的工具，以便進行數據驗證和洞察的提取。

04 這門課學什麽？

這是一門數學的基礎入門課。一共3個章節，預計一周內的時間學完。

課時1:課程介紹選修：人工智慧之數學基礎(講義) 第1章:微積分課時2:可以量化的世界課時3:問題的起源課時4:無窮的力量課時5:以少為美課時6:局部與整體課時7:微積分作業第2章:線性代數課時8:現實世界的想象課時9:空間語言與立體感知：向量與矩陣課時10:追本溯源：問題與逆問題課時11:穩定很重要：矩陣的特征課時12:與機器溝通：電腦中的線性代數計算課時13:線性代數作業第3章: 機率論與數理統計課時14:機率的意義課時15:抽象的現實：機率的分布與套用課時16:第一印象：描述性統計課時17:拒絕主觀：假設與檢驗課時18:可以量化的差異：變方分析課時19:統計也會犯錯誤課時20:機率論作業