这是一套53 集、系统精讲的机器学习数学基础课，由北大数学学院王老师主讲，人民邮电出版社异步社区出品；覆盖高等数学 + 线性代数 + 概率论 + 数理统计，全程手写推导、公式 step-by-step，目标是帮你扫清 ML/DL 的数学障碍。
基本信息
集数：53 集（每集约 15–25 分钟）
讲师：北大数学科学学院 王老师
平台：51CTO 学堂 / 异步社区
定位：够用、实用、应试 + 实战，不堆砌晦涩理论
适合人群
想入门机器学习 / 深度学习，但数学薄弱或遗忘的开发者
本科修过高数 / 线代 / 概率，需要系统复盘 + 定向强化的学生
算法工程师 / 数据分析师，想补全数学短板、夯实底层原理
四大模块核心内容
1. 高等数学（微积分 + 优化）
一元函数：极限、导数、求导法则、费马定理、泰勒展开、凸函数、极值
多元函数：偏导数、方向导数、可微、梯度、链式法则、Hessian 矩阵
优化基础：拉格朗日乘数法、KKT 条件、梯度下降 / 牛顿法原理
2. 线性代数（数据表示 + 变换）
向量与矩阵：运算、秩、逆、行列式、特征值 / 特征向量
空间与投影：线性空间、基、正交、投影矩阵
矩阵分解：SVD、特征分解、PCA 数学推导
矩阵求导：布局、标量 / 向量 / 矩阵互导、神经网络常用导数
3. 概率论（不确定性建模）
基础：随机事件、条件概率、贝叶斯定理、独立性
随机变量：分布（0-1 / 二项 / 泊松 / 正态）、期望、方差、协方差
极限定理：大数定律、中心极限定理（ML 样本估计核心）
4. 数理统计（推断 + 估计 + 检验）
统计量：矩、极大似然估计（MLE）、贝叶斯估计
假设检验：显著性、p 值、置信区间
应用：回归模型参数估计、高斯混合模型（GMM）、贝叶斯分类器
下载地址：https://pan.quark.cn/s/19c4de114d69
夸克APP扫码下载
