网易云课堂人工智能数学基础

	

	
 

	

	课程目录：

	01AI数学基石

	第1章 高等数学

	1.1 导数和偏导数

	1.2 梯度向量

	1.3 极值定理

	1.4 Jacobbi矩阵

	1.5 Hessian矩阵

	1.6 泰勒展开公式

	1.7 拉格朗日乘数法

	第2章 线性代数

	2.1 向量及其运算

	2.2 范数

	2.3 矩阵及其运算

	2.4 逆矩阵

	2.5 二次型

	2.6 矩阵的正定性

	2.7 矩阵的特征值与特征向量

	2.8 矩阵的奇异值分解

	第3章 概率论

	3.1 概率、随机事件和随机变量

	3.2 条件概率与贝叶斯公式 

	3.3 常用的概率分布

	3.4 随机变量的均值和方差、协方差

	3.5 最大似然估计

	第4章 最优化

	4.1 凸集、凸函数

	4.2 凸优化问题的标准形式

	4.3 线性规划问题

	

	

	

	02优化论初步

	第一章  优化迭代法统一论

	1.0  本微专业概述

	1.1  线性回归建模

	1.2  无约束优化梯度分析法（上）

	1.3  无约束优化梯度分析法（下）

	1.4  无约束迭代法

	1.5  线性回归求解

	1.6  案例分析 

	第二章  深度学习反向传播

	2.1  回归与分类、神经网络

	2.2  BP算法（上）

	2.3  BP算法（下）

	2.4  计算图

	

	

	03优化论进阶

	第一章  凸优化基础

	1.1  一般优化问题

	1.2  凸集和凸函数基础（上）

	1.3  凸集和凸函数基础（下）

	1.4  凸优化问题 

	1.5  案例分析

	第二章  凸优化进阶之对偶理论

	2.1  凸优化问题

	2.2  对偶（上）

	2.3  对偶（下）

	2.4  问题案例

	第三章  SVM

	3.1  问题案例

	3.2  SVM 建模

	3.3  SVM 求解

	3.4  SVM 扩展，附案例