 課程目錄： 01AI數學基石 第1章 高等數學 1.1 導數和偏導數 1.2 梯度向量 1.3 極值定理 1.4 Jacobbi矩陣 1.5 Hessian矩陣 1.6 泰勒展開公式 1.7 拉格朗日乘數法 第2章 線性代數 2.1 向量及其運算 2.2 范數 2.3 矩陣及其運算 2.4 逆矩陣 2.5 二次型 2.6 矩陣的正定性 2.7 矩陣的特征值與特征向量 2.8 矩陣的奇異值分解 第3章 概率論 3.1 概率、隨機事件和隨機變量 3.2 條件概率與貝葉斯公式 3.3 常用的概率分布 3.4 隨機變量的均值和方差、協方差 3.5 最大似然估計 第4章 最優化 4.1 凸集、凸函數 4.2 凸優化問題的標準形式 4.3 線性規劃問題 02優化論初步 第一章 優化迭代法統一論 1.0 本微專業概述 1.1 線性回歸建模 1.2 無約束優化梯度分析法（上） 1.3 無約束優化梯度分析法（下） 1.4 無約束迭代法 1.5 線性回歸求解 1.6 案例分析 第二章 深度學習反向傳播 2.1 回歸與分類、神經網絡 2.2 BP算法（上） 2.3 BP算法（下） 2.4 計算圖 03優化論進階 第一章 凸優化基礎 1.1 一般優化問題 1.2 凸集和凸函數基礎（上） 1.3 凸集和凸函數基礎（下） 1.4 凸優化問題 1.5 案例分析 第二章 凸優化進階之對偶理論 2.1 凸優化問題 2.2 對偶（上） 2.3 對偶（下） 2.4 問題案例 第三章 SVM 3.1 問題案例 3.2 SVM 建模 3.3 SVM 求解 3.4 SVM 擴展，附案例 |
