人工智能的数学基础（上）
101 学好机器学习需要哪些数学知识
102 推荐的参考书
103 本集所讲的知识点
104 机器学习算法所用的数学知识
人工智能的数学基础（中）
201 导数
202 高阶导数
203 导数与函数的性质
204 一元函数的泰勒展开
205 向量
206 矩阵
207 行列式
208 偏导数
209 高阶偏导数
210 梯度
211 雅可比矩阵
212 Hessian矩阵
213 极值判别法则
214 二次型
215 特征值与特征向量
216 特征值分解
217 多元函数的泰勒展开
218 矩阵和向量的求导公式
219 奇异值分解
220 为什么需要概率
221 随机事件与概率
222 条件概率与贝叶斯公式
223 随机事件的独立性
224 随机变量
225 数学期望与方差
226 常用的概率分布
227 随机向量
228 随机变量的独立性
229 协方差
230 常用的多维概率分布
231 最大似然估计
232 本集总结
人工智能的数学基础（下）
301 本集内容简介
302 最优化中的基本概念
303 为什么要用迭代法
304 梯度下降法
305 牛顿法
306 坐标下降法
307 优化算法面临的问题
308 拉格朗日乘数法
309 凸优化简介
310 凸集
311 凸函数
312 凸优化的性质
313 凸优化的一般表
314 拉格朗日对偶
315 KKT条件
316 本集总结