慕课网体系课 深入AI 大模型必修数学体系
课程简介
这门课的名字把目标写得很直白：AI 大模型必修数学体系。它不打算教你调包训练一个能跑通的模型，而是回去补那部分最容易被跳过、但在读论文和改损失函数时又绕不开的内容——微积分、线性代数这一套数学语言。资料包的组织方式偏"体系课"：按阶段推进，每个阶段再拆到周，周下挂讲义文档和分节视频，适合拿来当对照实践的底稿，而不是一口气刷完的连续剧。 为什么大模型学习绕不…
这门课的名字把目标写得很直白：AI 大模型必修数学体系。它不打算教你调包训练一个能跑通的模型，而是回去补那部分最容易被跳过、但在读论文和改损失函数时又绕不开的内容——微积分、线性代数这一套数学语言。资料包的组织方式偏"体系课"：按阶段推进，每个阶段再拆到周，周下挂讲义文档和分节视频，适合拿来当对照实践的底稿，而不是一口气刷完的连续剧。
为什么大模型学习绕不开数学
很多人上手大模型的路径是先跑通一个微调脚本，再回头补原理。短期能出结果，但一旦遇到梯度爆炸、loss 不收敛、注意力实现和自己预期不一致，就卡在"知道现象、不知道原因"这一层。反向传播本质是链式法则的工程化实现，注意力里的缩放因子来自方差控制，位置编码里那串正弦余弦是函数逼近的思路，优化器的动量与二阶估计直接建立在导数与泰勒展开上。这些点如果只靠调参经验去碰，试错成本会很高。这门课把微积分和线性代数单独拎出来系统讲，目的就是让后面看模型结构时，公式不再是黑盒。
课程的内容结构与推进节奏
从资料线索看，课程按阶段编排，微积分是其中一个完整阶段，内部再按周切分。比如进阶部分会覆盖导数公式、导数规则、复合函数与链式法则这些内容，之后单独用一周讲积分基础。这个顺序是有讲究的：先建立"变化率"的直觉，再处理复合结构的求导——而链式法则恰恰是神经网络反向传播的核心运算；积分则在概率密度、期望计算、连续分布的推导里反复出现。
- 导数与求导规则：单变量求导的运算法则，是理解梯度下降的第一步。
- 复合函数与链式法则：多层网络梯度回传的数学原型，务必动手推一遍。
- 多元微积分与进阶：偏导、梯度的几何含义，对应参数空间里的更新方向。
- 积分基础：从累积量到概率密度，衔接后续的概率与统计部分。
配合的讲义文档和分节视频是分开的，这一点对自学其实有利：文档适合推导和查公式，视频适合看思路和例题演算，两者不必同步推进。
怎么用这份资料才不浪费
纯看视频学数学，效率通常很低，因为推导过程需要自己落笔。比较务实的用法是：先扫一遍当周讲义文档，把定义和公式抄一遍，再挑对应视频看讲师怎么算例题，遇到和神经网络相关的点就停下来想一步——比如链式法则那一节，能不能自己写出两层网络的梯度传递表达式。资料包里的练习视频和文档，建议先自己做，再对答案。
另外，数学基础课的价值往往不在"学完"，而在"能回查"。把导数规则、积分表、链式法则这些整理成自己的速查笔记，后面读论文、复现损失函数时随手翻，比一次学透更现实。课程按周划分的结构也方便做这种检索式学习：哪块模糊就回到哪一周。
适合谁，以及搭配什么一起看
如果你已经在用 PyTorch 或类似框架跑模型，但看到公式就跳过、遇到训练异常只能靠猜，这门课的定位正合适。它也更适合作为其他模型结构、训练优化类课程的并行补充——主课讲"怎么做"，这门课补"为什么这么做"。反过来，如果完全没有编程和框架基础，建议先有一段动手训练的经历，再看数学部分，代入感会强很多。
整体上，这是一份偏补基础、偏推导的资料，节奏不快，但胜在体系完整。把它当作长期对照的手册来用，比当成一次性刷完的课程更划算。
慕课网体系课 深入AI 大模型必修数学体系
掌握AI大模型核心数学基础
编辑点评
系统讲解微积分、线性代数等数学知识，助力AI大模型学习。
⭐ 编辑推荐
本课程深入解析AI大模型必修数学体系，涵盖微积分、线性代数等核心知识，助你掌握AI大模型核心数学基础。
✨ 课程亮点
✦系统讲解微积分、线性代数
✦助力AI大模型学习
✦实战案例丰富
课程目录
10-1 第1章 积分基础11 集
- 10-1-9 练习：积分基础-2.mp4 [37.1 MB]
- 10-1-6 用Sympy解析计算积分.mp4 [6.2 MB]
- 10-1-3 积分的性质.mp4 [19.0 MB]
- 10-1-7 积分的一个应用：概率累积分布.mp4 [1.1 MB]
- 10-1-2 不定积分与定积分.mp4 [7.1 MB]
- 10-1-10 练习：积分基础-3.mp4 [34.3 MB]
- 10-1-8 练习：积分基础-1.mp4 [54.9 MB]
- 10-1-5 用scipy数值计算积分.mp4 [19.9 MB]
- 10-1-1 积分的直观理解.mp4 [12.0 MB]
- 10-1-4 从不定积分计算定积分.mp4 [5.8 MB]
- 第10周 积分基础文档.zip [1.8 MB]
9-1 第1章 微积分进阶8 集
- 9-1-9 微积分进阶的练习-3.mp4 [32.1 MB]
- 9-1-5 复合函数与链式法则.mp4 [10.4 MB]
- 9-1-2 瀵兼暟瑙勫垯.mp4 [4.7 MB]
- 9-1-4 不定式和洛必达法则.mp4 [22.7 MB]
- 9-1-8 微积分进阶的练习-2.mp4 [36.1 MB]
- 9-1-6 链式法则在神经网络中的作用.mp4 [41.9 MB]
- 9-1-3 楂橀樁瀵兼暟.mp4 [10.5 MB]
- 9-1-7 微积分进阶的练习-1.mp4 [44.3 MB]
9-2 第2章 多元微积分7 集
- 9-2-9 高阶偏导数的练习-2.mp4 [52.6 MB]
- 9-2-6 偏导数和梯度下降-2.mp4 [48.9 MB]
- 9-2-10 高阶偏导数的练习-3.mp4 [54.8 MB]
- 9-2-5 偏导数和梯度下降-1.mp4 [33.2 MB]
- 9-2-7 高阶偏导数与模型优化.mp4 [12.6 MB]
- 9-2-8 高阶偏导数的练习-1.mp4 [46.2 MB]
- 9-2-4 姊害鍚戦噺.mp4 [14.0 MB]
8-1 第1章 微积分入门5 集
- 8-1-3 微积分的历史.mp4 [3.3 MB]
- 8-1-5 练习：理解极限-1.mp4 [42.3 MB]
- 8-1-4 微积分在人工智能中的用处.mp4 [4.6 MB]
- 8-1-2 斜率，切线，极限，导数，穷竭法，曲线下面积 -- 微积分的直观理解.mp4 [61.6 MB]
- 8-1-6 练习：理解极限-2.mp4 [53.9 MB]
8-2 第2章 微积分核心基础14 集
- 8-2-4 用sympy表示常用函数的极限.mp4 [19.3 MB]
- 8-2-5 极限的运算规则.mp4 [6.4 MB]
- 8-2-1 函数的连续性的直观理解.mp4 [10.2 MB]
- 8-2-2 极限的直观理解.mp4 [10.8 MB]
- 8-2-6 复合函数的极限.mp4 [5.4 MB]
- 8-2-12 微积分基础知识练习-2.mp4 [45.0 MB]
- 8-2-9 代码中研究函数的导数.mp4 [12.4 MB]
- 8-2-8 导数的直观理解.mp4 [6.4 MB]
- 8-2-11 微积分基础知识练习-1.mp4 [12.5 MB]
- 8-2-10 符号计算库sympy简介.mp4 [20.5 MB]
- 8-2-13 微积分基础知识练习-3.mp4 [32.1 MB]
- 8-2-7 有理化求极限.mp4 [3.4 MB]
- 8-2-3 常用函数的极限.mp4 [16.8 MB]
- 阶段3：微积分：研究数据变化的规律与模型优化必看.zip [1.8 MB]
6-1 第1章 Numpy学习入门9 集
- 6-1-11 Numpy相关知识点练习-3.mp4 [64.0 MB]
- 6-1-3 Numpy的复制和视图，布尔数组索引.mp4 [19.3 MB]
- 6-1-9 Numpy相关知识点练习-1.mp4 [62.2 MB]
- 6-1-2 数组的创建，索引，切片.mp4 [39.2 MB]
- 6-1-10 Numpy相关知识点练习-2.mp4 [53.3 MB]
- 6-1-5 连接数组concatenate, stack, hstack, vstack, dstack.mp4 [23.7 MB]
- 6-1-8 算数运算，矩阵操作.mp4 [11.7 MB]
- 6-1-4 维度和形状，遍历数组.mp4 [7.6 MB]
- 6-1-7 算数运算，矩阵操作.mp4 [10.5 MB]
6-2 第2章 用Python实现矩阵10 集
- 6-2-2 重载类的字符串表达.mp4 [8.8 MB]
- 6-2-5 实现矩阵的转置.mp4 [5.6 MB]
- 6-2-9 Python实现一个矩阵类的练习-2.mp4 [67.3 MB]
- 6-2-4 实现矩阵的点积运算.mp4 [14.2 MB]
- 6-2-10 Python实现一个矩阵类的练习-3.mp4 [53.0 MB]
- 6-2-3 重载加减乘除运算符.mp4 [23.0 MB]
- 6-2-8 Python实现一个矩阵类的练习-1.mp4 [57.5 MB]
- 6-2-7 实现高斯消元法求矩阵的列.mp4 [51.2 MB]
- 6-2-6 实现递归求矩阵的行列式.mp4 [26.2 MB]
- 第6周 Numpy快速上手，用Python实现矩阵说明.png [493.5 KB]
7-1 第1章 数据处理方法6 集
- 7-1-6 常见数据处理方式练习-2.mp4 [72.6 MB]
- 7-1-1 正态分布，标准分布.mp4 [40.0 MB]
- 7-1-5 常见数据处理方式练习-1.mp4 [51.5 MB]
- 7-1-3 数据的标准化.mp4 [12.3 MB]
- 7-1-4 模型的正则化.mp4 [1.9 MB]
- 7-1-2 数据的归一化.mp4 [14.4 MB]
7-2 第2章 矩阵与图形变换7 集
- 7-2-11 矩阵图形变换的练习-2.mp4 [32.1 MB]
- 7-2-7 总结：这些变换在同一个矩阵中的位置.mp4 [3.3 MB]
- 7-2-9 线性代数：总结.mp4 [36.8 MB]
- 7-2-12 矩阵图形变换的练习-3.mp4 [44.5 MB]
- 7-2 第2章 矩阵与图形变换说明.png [493.5 KB]
- 7-2-10 矩阵图形变换的练习-1.mp4 [41.9 MB]
- 阶段2：线性代数实战资料.png [493.5 KB]
15-3 第3章 支持向量机SVM9 集
- 15-3-2 SVM的超平面.mp4 [7.0 MB]
- 15-3-1 支持向量机SVM：间隔最大化的数学魔法.mp4 [4.2 MB]
- 15-3-9 sklearn调用SVM解决分类问题.mp4 [11.4 MB]
- 15-3-5 SVM的Hinge Loss损失函数.mp4 [11.1 MB]
- 15-3-4 SVM最大化间隔.mp4 [25.2 MB]
- 15-3-7 SVM的多项式核函数.mp4 [3.6 MB]
- 15-3-8 SVM的RBF核函数.mp4 [10.4 MB]
- 15-3-6 用高维的眼光看数据 – SVM核函数的直观理解.mp4 [7.9 MB]
- 15-3-3 超平面硬间隔，软间隔.mp4 [2.9 MB]
15-2 第2章 偏导数习题精讲与实践2 集
- 15-2-1 偏导数练习-1.mp4 [49.0 MB]
- 15-2-2 偏导数练习-2.mp4 [48.3 MB]
15-1 第1章 偏导数与模型优化7 集
- 15-1-3 理解神经网络里面的偏导数.mp4 [44.1 MB]
- 15-1-6 牛顿法优化器.mp4 [9.7 MB]
- 15-1-2 雅可比矩阵.mp4 [6.5 MB]
- 15-1-7 拉普拉斯算子.mp4 [5.6 MB]
- 15-1-1 偏导数的链式法则.mp4 [10.9 MB]
- 15-1-5 黑塞矩阵.mp4 [6.2 MB]
- 15-1-4 实现一个神经网络.mp4 [41.6 MB]
15-4 第4章 支持向量机SVM：间隔最大化的数学魔法2 集
- 15-4-1 练习：SVM支持向量机.mp4 [54.4 MB]
- 第15周 偏导数与模型优化与支持向量机SVM说明.png [493.5 KB]
13-1 第1章 神经网络梯度问题10 集
- 13-1-5 神经网络的梯度爆炸问题以及成因.mp4 [12.3 MB]
- 13-1-1 神经网络的梯度消失问题，代码复现梯度消失.mp4 [24.7 MB]
- 13-1-2 分析神经网络梯度消失的原因.mp4 [9.8 MB]
- 13-1-7 神经网络过拟合与欠拟合以及成因.mp4 [14.1 MB]
- 13-1-9 应对过拟合与欠拟合的技术：dropout.mp4 [2.5 MB]
- 13-1-4 深入研究RELU和它的变形.mp4 [11.7 MB]
- 13-1-6 代码演示一个梯度爆炸问题的应对方式：梯度缩放和梯度剪裁.mp4 [15.6 MB]
- 13-1-3 ReLU激活函数和其它办法来应对梯度消失问题.mp4 [16.3 MB]
- 13-1-8 L1正则化和L2正则化技术的直观理解.mp4 [14.6 MB]
- 13-1 第1章 神经网络梯度问题说明.png [493.5 KB]
13-2 第2章 神经网络梯度问题-习题讲解与强化练习3 集
- 13-2-3 神经网络梯度问题练习-3.mp4 [33.2 MB]
- 13-2-1 神经网络梯度问题练习-1.mp4 [26.2 MB]
- 13-2-2 神经网络梯度问题练习-2.mp4 [42.0 MB]
11-1 第1章 用微积分知识实现一个神经网络13 集
- 11-1-10 练习：实现分类神经网络-2.mp4 [27.1 MB]
- 11-1-5 损失函数：交叉熵 cross-entropy.mp4 [8.5 MB]
- 11-1-3 激活函数：sigmoid.mp4 [3.9 MB]
- 11-1-9 练习：实现分类神经网络-1.mp4 [30.1 MB]
- 11-1-2 神经网络结构.mp4 [11.9 MB]
- 11-1-6 softmax-cross-entropy的偏导数.mp4 [12.7 MB]
- 11-1-13 练习：实现分类神经网络-5.mp4 [19.2 MB]
- 11-1-1 回归问题与分类问题.mp4 [2.1 MB]
- 11-1-4 激活函数：softmax.mp4 [9.6 MB]
- 11-1-12 练习：实现分类神经网络-4.mp4 [38.0 MB]
- 11-1-7 训练数据处理，标准化.mp4 [38.5 MB]
- 11-1-8 分类神经网络代码分析.mp4 [31.6 MB]
- 11-1-11 练习：实现分类神经网络-3.mp4 [40.5 MB]
12-1 第1章 ROC曲线与分类性能评估10 集
- 12-1-8 分类问题与ROC练习-1.mp4 [65.4 MB]
- 12-1-3 混淆矩阵.mp4 [3.0 MB]
- 12-1-4 用sklearn生成混淆矩阵，生成混淆矩阵图.mp4 [16.2 MB]
- 12-1-1 分类 vs 回归.mp4 [6.0 MB]
- 12-1-2 用概率描述预测的类别，阈值选择的问题.mp4 [6.7 MB]
- 12-1-10 分类问题与ROC练习-3.mp4 [40.7 MB]
- 12-1-9 分类问题与ROC练习-2.mp4 [44.4 MB]
- 12-1-6 接收在操作曲线ROC曲线的定义，直观理解.mp4 [14.6 MB]
- 12-1-7 代码演示ROC AUC曲线下面积定量评估模型预测的效果.mp4 [37.8 MB]
- 12-1-5 准确率、召回率、假正例率、精确率.mp4 [6.1 MB]
14-1 第1章 神经网络自动微分6 集
- 14-1-2 自动微分的原理：计算图，前向传导.mp4 [22.0 MB]
- 14-1-6 pytorch和它的自动微分工具：autograd.mp4 [11.2 MB]
- 14-1-5 将实现的自动微分应用到神经网络中.mp4 [21.6 MB]
- 14-1-3 自动微分之后向传导.mp4 [16.5 MB]
- 14-1-4 代码实现softmax + 交叉熵的自动微分.mp4 [20.3 MB]
- 14-1-1 为什么要用自动微分.mp4 [13.8 MB]
14-2 第2章 神经网络自动微分-习题精讲与强化练习3 集
- 14-2-3 练习：实现自动微分功能-3.mp4 [25.3 MB]
- 14-2-1 练习：实现自动微分功能-1.mp4 [30.2 MB]
- 14-2-2 练习：实现自动微分功能-2.mp4 [24.1 MB]
3-1 第1章 特征分解9 集
- 3-1-1 特征分解的定义.mp4 [16.2 MB]
- 3-1-3 特征分解的直观理解.mp4 [59.3 MB]
- 3-1-5 特征分解的一些性质.mp4 [4.7 MB]
- 3-1-6 特征分解的练习-1.mp4 [35.1 MB]
- 3-1-9 特征分解的练习-4.mp4 [30.3 MB]
- 3-1-2 浠ｇ爜璋冪敤.mp4 [13.0 MB]
- 3-1-8 特征分解的练习-3.mp4 [46.1 MB]
- 3-1-7 特征分解的练习-2.mp4 [29.3 MB]
- 3-1-4 手工进行特征分解.mp4 [44.4 MB]
5-1 第1章 主成分分析PCA9 集
- 5-1-8 PCA主成分分析的练习-3.mp4 [46.0 MB]
- 5-1-5 PCA主成分分析的应用.mp4 [6.8 MB]
- 5-1-9 PCA主成分分析的练习-4.mp4 [58.0 MB]
- 5-1-7 PCA主成分分析的练习-2.mp4 [34.8 MB]
- 5-1-2 找到数据背后的隐藏关联－－协方差矩阵.mp4 [51.6 MB]
- 5-1-6 PCA主成分分析的练习-1.mp4 [28.4 MB]
- 5-1-4 PCA主成分分析与SVD奇异值分解的关系.mp4 [13.1 MB]
- 5-1-1 主成分分析的直观理解.mp4 [28.4 MB]
- 5-1-10 PCA主成分分析的练习-5.mp4 [28.7 MB]
2-2 第2章 矩阵分解8 集
- 2-2-1 矩阵分解介绍.mp4 [4.8 MB]
- 2-2-2 鐭╅樀鐨凩U鍒嗚В.mp4 [38.4 MB]
- 2-2-8 矩阵分解练习-4.mp4 [21.0 MB]
- 2-2-4 Cholesky乔里斯基分解.mp4 [11.0 MB]
- 2-2-7 矩阵分解练习-3.mp4 [43.9 MB]
- 2-2-6 矩阵分解练习-2.mp4 [33.7 MB]
- 2-2-3 鐭╅樀鐨凲R鍒嗚В.mp4 [33.1 MB]
- 2-2-5 矩阵分解练习-1.mp4 [31.1 MB]
2-1 第1章 矩阵进阶运算5 集
- 2-1-7 矩阵进阶运算的练习-2.mp4 [48.2 MB]
- 2-1-2 矩阵的行列式.mp4 [42.1 MB]
- 2-1-1 矩阵运算：转置，逆，迹，秩.mp4 [61.0 MB]
- 2-1-3 矩阵的行列式.mp4 [36.1 MB]
- 2-1-6 矩阵进阶运算的练习-1.mp4 [33.8 MB]
1-1 第1章 线性代数入门：由来、与人工智能的关系8 集
- 1-1-9 常用科学计算，机器学习库的介绍和对比.mp4 [9.8 MB]
- 1-1-6 线性代数：从线性方程中来.mp4 [29.8 MB]
- 1-1-11 线性代数入门练习-2.mp4 [39.2 MB]
- 1-1-8 线性代数在机器学习中的实践.mp4 [31.0 MB]
- 1-1-1 程序员的AI必备数学体系课-课程简介.mp4 [40.7 MB]
- 1-1-7 线性代数的作用，与人工智能的关系.mp4 [31.6 MB]
- 1-1-10 线性代数入门练习-1.mp4 [49.8 MB]
- 1-1-2 准备编程环境.mp4 [8.3 MB]
1-2 第2章 线性代数核心概念-走进矩阵9 集
- 1-2-10 矩阵基础练习-4.mp4 [33.2 MB]
- 1-2-5 矩阵的加减乘除.mp4 [17.1 MB]
- 1-2-8 矩阵基础练习-2.mp4 [34.4 MB]
- 1-2-4 向量的范数，类型.mp4 [27.5 MB]
- 1-2-2 向量的加减乘除.mp4 [19.7 MB]
- 1-2-3 向量点积，叉积.mp4 [29.1 MB]
- 1-2-1 标量、向量、矩阵、张量.mp4 [11.5 MB]
- 1-2-9 矩阵基础练习-3.mp4 [42.8 MB]
- 1-2-7 矩阵基础练习-1.mp4 [24.3 MB]
4-1 第1章 奇异值分解SVD11 集
- 4-1-1 奇异值SVD分解的定义.mp4 [5.4 MB]
- 4-1-2 奇异值SVD分解的代码调用.mp4 [9.1 MB]
- 4-1-10 奇异值分解SVD练习-4.mp4 [34.6 MB]
- 4-1-4 奇异值SVD分解的作用.mp4 [21.0 MB]
- 4-1-8 奇异值分解SVD练习-2.mp4 [43.9 MB]
- 4-1-7 奇异值分解SVD练习-1.mp4 [34.2 MB]
- 4-1-3 奇异值SVD分解的直观解释，它的特点.mp4 [25.9 MB]
- 4-1-5 奇异值SVD分解与特征值分解的关系以及如何求解.mp4 [29.0 MB]
- 4-1-9 奇异值分解SVD练习-3.mp4 [31.6 MB]
- 4-1-11 奇异值分解SVD练习-5.mp4 [52.3 MB]
- 4-1-6 伪逆与奇异值SVD分解.mp4 [35.0 MB]
20-1 第1章 LLM大语言模型的实现和背后的数学原理6 集
- 20-1-3 LLM核心组件1：词嵌入、注意力机制与深度网络优化技术（中）.mp4 [85.7 MB]
- 20-1-4 LLM核心组件1：词嵌入、注意力机制与深度网络优化技术（下）.mp4 [67.3 MB]
- 20-1-2 LLM核心组件1：词嵌入、注意力机制与深度网络优化技术（上）.mp4 [67.0 MB]
- 20-1-5 LLM核心组件2：位置编码与输出层设计原理.mp4 [30.7 MB]
- 20-1-6 LLM的实现与训练：代码实现、损失函数与优化器调参指南.mp4 [67.5 MB]
- 20-1-1 大语言模型概括：从理论架构到训练实践.mp4 [40.4 MB]
20-2 第2章 数学面试题讲解2 集
- 20-2-2 人工智能岗位数学基础面试题讲解（下）.mp4 [36.9 MB]
- 20-2-1 人工智能岗位数学基础面试题讲解（上）.mp4 [52.0 MB]
18-1 第1章 最大似然估计5 集
- 18-1-1 什么叫似然，最大似然.mp4 [9.5 MB]
- 18-1-4 实现最大似然估计逻辑回归代码.mp4 [13.6 MB]
- 18-1-3 最大似然估计逻辑回归原理.mp4 [28.8 MB]
- 18-1-2 正态分布的最大似然函数.mp4 [41.1 MB]
- 18-1-5 神经网络就是最大似然估计.mp4 [4.4 MB]
18-2 第2章 贝叶斯概率5 集
- 18-2-4 朴素贝叶斯分类器.mp4 [12.5 MB]
- 18-2-1 贝叶斯定理：直观理解，证明，例子.mp4 [14.7 MB]
- 18-2-3 贝叶斯分类器的直观理解.mp4 [25.0 MB]
- 18-2-2 贝叶斯定理的变形，例子.mp4 [13.0 MB]
- 18-2-5 高斯朴素贝叶斯分类器的直观理解.mp4 [7.9 MB]
18-4 第4章 练习：贝叶斯概率5 集
- 18-4-4 练习：贝叶斯概率-4.mp4 [25.9 MB]
- 18-4-5 练习：贝叶斯概率-5.mp4 [25.4 MB]
- 18-4-1 练习：贝叶斯概率-1.mp4 [21.3 MB]
- 18-4-2 练习：贝叶斯概率-2.mp4 [21.9 MB]
- 18-4-3 练习：贝叶斯概率-3.mp4 [37.1 MB]
18-3 第3章 练习：最大似然估计1 集
- 18-3-1 练习：最大似然估计.mp4 [48.6 MB]
19-1 第1章 贝叶斯回归8 集
- 19-1-2 详解贝叶斯回归.mp4 [22.9 MB]
- 19-1-3 贝叶斯回归的代码实现.mp4 [36.5 MB]
- 19-1-8 人工智能数学基础课程总结.mp4 [9.4 MB]
- 19-1-1 贝叶斯回归，用概率的眼光和工具来重新认识回归问题.mp4 [13.1 MB]
- 19-1-5 练习：贝叶斯回归（上）.mp4 [38.0 MB]
- 19-1-7 概率与统计总结.mp4 [38.5 MB]
- 19-1-6 练习：贝叶斯回归（下）.mp4 [54.8 MB]
- 19-1-4 正则化与贝叶斯回归.mp4 [12.9 MB]
16-2 第2章 概率基础练习解析2 集
- 16-2-2 概率入门练习-2.mp4 [18.3 MB]
- 16-2-1 概率入门练习-1.mp4 [32.8 MB]
16-1 第1章 概率基础6 集
- 16-1-5 多随机变量：联合概率，边际概率，条件概率，独立性.mp4 [30.0 MB]
- 16-1-2 概率的直观理解，几个概率的概念.mp4 [2.4 MB]
- 16-1-4 随机变量的直观理解.mp4 [4.1 MB]
- 16-1-6 概率论中经典有趣的例子.mp4 [48.9 MB]
- 16-1-3 两种概率学派：频率篇与贝叶斯派.mp4 [4.9 MB]
- 16-1-1 机器学习中的不确定性.mp4 [6.2 MB]
16-4 第4章 离散概率分布-练习解析2 集
- 16-4-1 练习：离散概率分布-1.mp4 [24.9 MB]
- 16-4-2 练习：离散概率分布-2.mp4 [17.2 MB]
16-3 第3章 离散概率分布7 集
- 16-3-6 多项伯努利分布.mp4 [1.6 MB]
- 16-3-7 多项分布.mp4 [25.5 MB]
- 16-3-4 伯努利分布.mp4 [3.4 MB]
- 16-3-2 随机变量，定义，期望值，方差，标准差.mp4 [14.1 MB]
- 16-3-1 离散概率与机器分类问题.mp4 [5.6 MB]
- 16-3-3 离散概率分布和连续概率分布，PMF，PDF，CDF.mp4 [5.2 MB]
- 16-3-5 二项分布.mp4 [23.0 MB]
17-3 第3章 概率密度估计7 集
- 17-3-6 代码调用核密度估计.mp4 [7.5 MB]
- 17-3-1 概率密度估计的直观理解.mp4 [3.1 MB]
- 17-3-3 用直方图总结密度.mp4 [2.8 MB]
- 17-3-2 直方图与matplotlib.mp4 [28.2 MB]
- 17-3-5 核密度估计的直观理解.mp4 [15.9 MB]
- 17-3-7 用MISE平均积分平方误差方法评估密度估计的效果.mp4 [16.7 MB]
- 17-3-4 参数密度估计方法.mp4 [13.8 MB]
17-1 第1章 连续概率分布6 集
- 17-1-3 指数分布.mp4 [7.0 MB]
- 17-1-5 帕累托分布，二八定律.mp4 [9.7 MB]
- 17-1-4 泊松分布.mp4 [5.7 MB]
- 17-1-6 常见的统计量：均值，中位数，众数.mp4 [17.4 MB]
- 17-1-1 连续概率分布的直观理解，在机器学习中的作用，校准度和锐度.mp4 [14.7 MB]
- 17-1-2 正态分布以及中心极限定理.mp4 [27.3 MB]
17-4 第4章 概率密度估计-习题解析2 集
- 17-4-1 练习：概率密度估计-1.mp4 [32.9 MB]
- 17-4-2 练习：概率密度估计-2.mp4 [43.4 MB]
17-2 第2章 连续概率分布-习题解析5 集
- 17-2-2 练习：连续概率分布-2.mp4 [22.0 MB]
- 17-2-1 练习：连续概率分布-1.mp4 [45.3 MB]
- 17-2 第2章 连续概率分布-习题解析必看.png [493.5 KB]
- 17-2-4 练习：连续概率分布-4.mp4 [22.4 MB]
- 17-2-3 练习：连续概率分布-3.mp4 [23.2 MB]
适合人群
- AI开发者
- 数据科学家
- 机器学习爱好者
🎯 学习收获
- 掌握微积分核心概念
- 理解线性代数在AI中的应用
- 提升AI大模型开发能力
🎉 祝您学习愉快！
[衡天云]爆款云服务器 低至12元/月
![[衡天云]爆款云服务器 低至12元/月](/hty.png)