机器学习中的数学第二期 [超5000人报名,远胜第1期]

先说清楚：这门课解决什么问题

很多做工程或数据分析的人，能跑通模型代码，但一旦遇到调参无效、损失函数不收敛，或者面试被追问底层数学推导时就会卡壳。这门课要解决的正是这个断层：把机器学习背后的微积分、概率论、线性代数和优化理论串成一条线，让你知其然也知其所以然。它不是教你调包，而是帮你建立数学直觉，理解为什么梯度下降会震荡、为什么某些损失函数对异常值更鲁棒。

适合什么基础，建议怎么看

这套资料适合已经写过几行 Python、跑过简单回归或分类模型，但数学基础不扎实的人。如果你连矩阵乘法和求导都还给老师了，前两个阶段要放慢节奏，重点啃微积分的微分学进阶和概率论的极大似然估计，这是后续推导的基石。建议先看线性代数基础和凸优化简介这两块，它们直接对应后续的降维算法和支持向量机原理。如果你时间紧，可以先跳到第五阶段的线性模型分类与回归，带着实际建模的痛点倒回去查漏补缺，这样学习反馈更直接。

学完能独立做什么，资料怎么配合

学完后，你不一定能立刻部署大模型，但能独立完成几件实事：看懂主流算法的损失函数推导，自己手写基础版线性回归和逻辑回归的核心逻辑，在调参时能判断优化器选择是否合理，以及面对面试中的数学推导题不再发怵。练习时，建议把每个阶段的公式推导和代码实现绑定：看微积分进阶时，自己用代码实现梯度计算；学概率论时，手写一遍极大似然估计的求解过程；到树模型阶段，对照信息论公式去理解特征分裂的增益计算。资料里的讲义偏理论推导，配合手算练习效果最好，不要只看不练。