东方耀老师 人工智能之从头开始学数学视频教程

这门课的主题很明确：把人工智能方向需要的数学基础，从零重新捋一遍。它不绑定某个框架 API，也不教你调库跑通一个 demo，而是回到线性代数、微积分、概率统计、凸优化这几条主干上，把公式推导和几何直觉讲清楚。如果你已经能写 Python、看得懂 numpy 代码，但看到损失函数求导、矩阵分解、梯度更新就发怵，这份资料的定位正好卡在这个缝隙里。

技术栈与内容侧重

课程以板书推导为主，配合少量代码演示来验证结论，数学符号体系覆盖 AI 论文和教材里的常见写法：向量与矩阵运算、特征值分解、SVD、多元函数偏导、链式法则、雅可比与海森矩阵、贝叶斯公式、极大似然估计、期望与方差、凸集与凸函数、拉格朗日乘子与 KKT 条件。这些内容不是孤立罗列，而是尽量往机器学习场景上靠——比如用矩阵乘法解释全连接层，用链式法则解释反向传播，用最大似然解释交叉熵损失，用凸性解释为什么某些优化问题有全局最优解。

配套的章节笔记适合做复盘，推导过程可以对照着在纸上重走一遍。这类数学课的价值不在“看完”，而在“手推”。只看视频不动笔，收获会打很大折扣。

结构安排与学习节奏

整体是按“先补齐工具，再连到模型”的顺序组织的。前半段解决符号和运算的熟练度问题，中间段进入微积分与优化，后半段把概率统计和前面的线性代数、优化串起来，形成一条从数据表示到目标函数再到求解的完整链路。每块知识之间是有依赖的，跳着看容易在某一步卡住，建议按顺序推进。

• 线性代数部分：重点在矩阵运算、秩、特征分解和 SVD，这是理解降维、推荐、表示学习的基础。
• 微积分与优化部分：重点是偏导、链式法则、梯度和凸性，直接对应训练过程。
• 概率统计部分：重点是分布、期望、贝叶斯和最大似然，对应损失函数设计与不确定性建模。

如果时间有限，可以先把线代和微积分两块推扎实，概率部分在遇到具体模型时回头补，效率会更高。

可复用的部分

这门课不像工程项目那样直接产出可部署的模块，但它产出的是更底层的东西：一套统一的数学语言。推导过程中形成的笔记、公式卡片、以及对“为什么这个损失函数长这样”的解释，可以复用到后续几乎所有 AI 方向的学习里。建议在做笔记时，把每个结论都标注它对应的模型或算法出处，比如“海森矩阵 → 二阶优化 → 牛顿法”，这样复习时能快速定位用途，而不是把它当成一门孤立的数学课。

另外，课程里涉及的矩阵分解、梯度推导、概率建模，都可以自己用 numpy 写小脚本验证一遍。把板书结论用代码复现，是把数学转成工程直觉的有效方式。

适合谁，怎么用

适合已经有一定编程基础、准备系统进入机器学习或深度学习方向、但数学底子偏薄的人。也适合工作几年后回头补基础的后端或数据开发者，用来把零散的知识点拼成体系。不适合想直接拿项目模板或想快速做出产品的人——这门课不提供捷径，提供的是把公式看懂的能力。

使用建议是：每看完一节，合上视频自己推一遍关键步骤，再用代码验证一次数值结果。整个过程慢，但这是数学类内容唯一可靠的吸收方式。把它当成一本可以反复回看的推导手册，比当成一次性视频课更合适。