01 为什么要学这门课？

在人工智能领域，无论是机器人、语音识别，还是图像识别、自然语言处理都离不开数学。因为人工智能的核心是算法，而算法的基础就是数学。所以说，数学功底才是码农们转型人工智能无论如何都是绕不开的门槛，传统程序员要想转战AI，任何绕过数学的想法都是鸵鸟策略。

微积分，线性代数，概率论在机器学习几乎所有算法中不可或缺。如果你数学不是那么扎实，大学学的数学知识都还给老师了（大部分同学都是如此），那么重新温习一下这些重要概念也不错。

02 如何学这门课？

董雪婷（Yuki）

复旦大学数学科学学院

CDA Institute会员

拥有近10年的数据项目工作经验，曾就职于美资咨询公司Hay Group(现名为光辉合益)，通过数据驱动帮助客户提升组织效能。后转为甲方企业资深数据挖掘工程师，曾就职于携程、饿了么、陆金所。主要从事数据分析和挖掘工作。

美女讲师Yuki，带你轻松愉快地学习让很多人头疼的数学知识，让你发现数学原来如此有趣。充分理解每个章节的核心概念，掌握基本的计算技巧，并能够将所学知识应用到实际问题中。

03 这门课谁适合学？

机器学习算法工程师：这门课程提供了微积分、线性代数和概率论等数学基础，在机器学习算法的开发中扮演着重要角色。微积分的函数、极限和连续等概念帮助理解机器学习模型的优化过程，微分和定积分则有助于构建损失函数和优化算法。线性代数的向量和矩阵概念及其运算规则用于表示和处理大量的数据特征，同时也用于矩阵分解和降维等技术。概率论为机器学习提供了统计推断、贝叶斯网络和隐马尔可夫模型等基础。

人工智能产品经理：对于人工智能产品经理来说，理解微积分、线性代数和概率论的基本概念是至关重要的。可以帮助他们深入理解人工智能技术的原理和应用场景，并与技术团队进行有效沟通和协作。对微积分的理解评估和优化模型的性能，对线性代数的掌握能够更好地理解和设计人工智能算法，而概率论则评估和解释模型预测结果的工具。

数据分析师：对于数据分析师来说，这门课程提供了数学基础，有助于更深入地理解和应用数据分析方法。微积分的函数和极限概念可用于理解数据趋势和变化规律，微分和定积分可用于计算导数、面积和累积值等。线性代数中的向量和矩阵运算可用于处理和转换大规模数据，特征值和特征向量的概念可用于降维和特征选择。概率论为数据分析师提供了统计推断和假设检验的工具，以便进行数据验证和洞察的提取。

04 这门课学什么？

这是一门数学的基础入门课。一共3个章节，预计一周内的时间学完。

  课时1:课程介绍
  选修：人工智能之数学基础(讲义)
第1章:微积分
  课时2:可以量化的世界
  课时3:问题的起源
  课时4:无穷的力量
  课时5:以少为美
  课时6:局部与整体
  课时7:微积分作业
第2章:线性代数
  课时8:现实世界的想象
  课时9:空间语言与立体感知：向量与矩阵
  课时10:追本溯源：问题与逆问题
  课时11:稳定很重要：矩阵的特征
  课时12:与机器沟通：计算机中的线性代数计算
  课时13:线性代数作业
第3章: 概率论与数理统计
  课时14:概率的意义
  课时15:抽象的现实：概率的分布与应用
  课时16:第一印象：描述性统计
  课时17:拒绝主观：假设与检验
  课时18:可以量化的差异：方差分析
  课时19:统计也会犯错误
  课时20:概率论作业