TOPIC / 技术方向

数学

一个方向,串起完整学习路径。

系统教程

查看全部
AI 与工程数学

最优化方法入门:从建模到数值求解

工程设计、机器学习和信号处理要在约束下寻找更优方案。课程从变量、目标与约束建模出发,串起梯度、凸性、无约束与约束优化、线性规划、最小二乘和数值求解,再用 SciPy 验证收敛与可行性。学完可以判断问题结构、选择算法,并解释求解结果是否可信。

高等数学

AI 工程师的高等数学

本课程面向AI工程师,以模型训练和算法实现中的真实问题为主线,系统讲解函数、极限、导数、积分、多元微积分、级数、微分方程、向量微积分与最优化。课程弱化繁琐证明,强化几何直觉、图像理解、公式推导和代码验证,帮助学习者看懂损失函数、梯度下降、反向传播、正则化及数值计算背后的数学原理。

高等数学

概率与统计基础教程

本课程面向大学生、数据分析初学者、软件开发者及人工智能方向学习者,系统讲解描述统计、概率模型、随机变量、常见分布、抽样理论、参数估计、假设检验、方差分析与回归分析。课程强调直觉、公式推导和实际数据分析之间的联系,帮助学习者正确选择统计方法、检验模型假设、解释分析结果,并完成规范的统计分析项目。

AI 与工程数学

最优化基础:从梯度下降到 AI 模型训练

模型训练出现损失震荡、收敛缓慢或 NaN 时,单纯更换优化器通常不能定位原因。课程从目标函数、梯度与链式法则切入,推导梯度下降、小批量训练、动量和 Adam,并通过 NumPy 与 PyTorch 实验观察收敛轨迹。学完能依据曲率、梯度和损失日志调整训练配置,解释模型参数为何更新,并排查常见优化故障。

高等数学

线性代数:从方程组到特征分解

方程组、最小二乘、特征值和矩阵分解贯穿算法、信号处理与机器学习,但只会套公式往往难以判断结果是否可靠。课程沿向量与矩阵、线性空间、正交投影、谱分解与SVD建立统一视角,学完能独立完成求解、近似、降维,并识别病态矩阵与数值误差。

高等数学

复变函数与积分变换:工程计算与信号分析

工程计算常在复数、频谱和微分方程之间切换,公式会用却难以判断条件与方法边界。课程从复平面与解析函数出发,贯通复积分、级数、留数、保角映射、傅里叶变换和拉普拉斯变换,最终能为信号分析、系统响应与典型边值问题选择合适工具并完成计算验证。

登录哪都通