体系课-深入AI/大模型必修数学体系资源介绍:
体系课-深入AI/大模型必修数学体系
在可预见的未来多年里，AI将继续保持爆发式增长，与之相应的人才需求也日益迫切。然而，许多普通程序员因数学基础不够扎实，往往局限于AI应用层开发，而在自行构建模型、调参优化、数据处理与性能评估等更深层面难以突破。不少学习资源也默认读者具备高等数学基础，这对很多毕业后便很少接触数学的开发人员而言，构成了不小的学习门槛。本课程聚焦AI必须掌握的数学核心知识，通过可视化讲解、代码结合数学、渐进式学习等方式，显著降低理解难度。课程内容全面覆盖AI所需的数学基础，旨在帮助程序员彻底扫清通往AI深处的数学障碍。无论你是希望巩固数学根基，还是立志在AI领域持续深耕，这门课都将是你理想的选择。
围绕AI筛选知识点，一站式掌握与AI紧密关联的数学知识体系,只学有用的
资源目录:
├──代码+PPT.zip
├── 【阶段1：线性代数：批量数据规律的研究】第1周 线性代数入门：由来、与人工智能的关系
│ ├── 1-1 第1章 线性代数入门：由来、与人工智能的关系
│ │ ├── 1-1-1 程序员的AI必备数学体系课-课程简介_.mp4
│ │ ├── 1-1-10 线性代数入门练习-1_.mp4
│ │ ├── 1-1-11 线性代数入门练习-2_.mp4
│ │ ├── 1-1-2 准备编程环境_.mp4
│ │ ├── 1-1-3 Matplotlib快速上手_.mp4
│ │ ├── 1-1-4 Matplotlib练习-1_.mp4
│ │ ├── 1-1-5 Matplotlib练习-2_.mp4
│ │ ├── 1-1-6 线性代数：从线性方程中来_.mp4
│ │ ├── 1-1-7 线性代数的作用，与人工智能的关系_.mp4
│ │ ├── 1-1-8 线性代数在机器学习中的实践_.mp4
│ │ └── 1-1-9 常用科学计算，机器学习库的介绍和对比_.mp4
│ └── 1-2 第2章 线性代数核心概念-走进矩阵
│ ├── 1-2-1 标量、向量、矩阵、张量_.mp4
│ ├── 1-2-10 矩阵基础练习-4_.mp4
│ ├── 1-2-2 向量的加减乘除_.mp4
│ ├── 1-2-3 向量点积，叉积_.mp4
│ ├── 1-2-4 向量的范数，类型_.mp4
│ ├── 1-2-5 矩阵的加减乘除_.mp4
│ ├── 1-2-6 矩阵的类型_.mp4
│ ├── 1-2-7 矩阵基础练习-1_.mp4
│ ├── 1-2-8 矩阵基础练习-2_.mp4
│ └── 1-2-9 矩阵基础练习-3_.mp4
├── 【阶段1：线性代数：批量数据规律的研究】第2周 矩阵进阶运算与矩阵分解
│ ├── 2-1 第1章 矩阵进阶运算
│ │ ├── 2-1-1 矩阵运算：转置，逆，迹，秩_.mp4
│ │ ├── 2-1-2 矩阵的行列式_.mp4
│ │ ├── 2-1-3 矩阵的行列式_.mp4
│ │ ├── 2-1-4 稀疏矩阵_.mp4
│ │ ├── 2-1-5 张量_.mp4
│ │ ├── 2-1-6 矩阵进阶运算的练习-1_.mp4
│ │ └── 2-1-7 矩阵进阶运算的练习-2_.mp4
│ └── 2-2 第2章 矩阵分解
│ ├── 2-2-1 矩阵分解介绍_.mp4
│ ├── 2-2-2 矩阵的LU分解_.mp4
│ ├── 2-2-3 矩阵的QR分解_.mp4
│ ├── 2-2-4 Cholesky乔里斯基分解_.mp4
│ ├── 2-2-5 矩阵分解练习-1_.mp4
│ ├── 2-2-6 矩阵分解练习-2_.mp4
│ ├── 2-2-7 矩阵分解练习-3_.mp4
│ └── 2-2-8 矩阵分解练习-4_.mp4
├── 【阶段1：线性代数：批量数据规律的研究】第3周 特征分解
│ └── 3-1 第1章 特征分解
│ ├── 3-1-1 特征分解的定义_.mp4
│ ├── 3-1-2 代码调用_.mp4
│ ├── 3-1-3 特征分解的直观理解_.mp4
│ ├── 3-1-4 手工进行特征分解_.mp4
│ ├── 3-1-5 特征分解的一些性质_.mp4
│ ├── 3-1-6 特征分解的练习-1_.mp4
│ ├── 3-1-7 特征分解的练习-2_.mp4
│ ├── 3-1-8 特征分解的练习-3_.mp4
│ └── 3-1-9 特征分解的练习-4_.mp4
├── 【阶段1：线性代数：批量数据规律的研究】第4周 奇异值分解SVD
│ └── 4-1 第1章 奇异值分解SVD
│ ├── 4-1-1 奇异值SVD分解的定义_.mp4
│ ├── 4-1-10 奇异值分解SVD练习-4_.mp4
│ ├── 4-1-11 奇异值分解SVD练习-5_.mp4
│ ├── 4-1-2 奇异值SVD分解的代码调用_.mp4
│ ├── 4-1-3 奇异值SVD分解的直观解释，它的特点_.mp4
│ ├── 4-1-4 奇异值SVD分解的作用_.mp4
│ ├── 4-1-5 奇异值SVD分解与特征值分解的关系以及如何求解_.mp4
│ ├── 4-1-6 伪逆与奇异值SVD分解_.mp4
│ ├── 4-1-7 奇异值分解SVD练习-1_.mp4
│ ├── 4-1-8 奇异值分解SVD练习-2_.mp4
│ └── 4-1-9 奇异值分解SVD练习-3_.mp4
├── 【阶段1：线性代数：批量数据规律的研究】第5周 主成分分析PCA
│ └── 5-1 第1章 主成分分析PCA
│ ├── 5-1-1 主成分分析的直观理解_.mp4
│ ├── 5-1-10 PCA主成分分析的练习-5_.mp4
│ ├── 5-1-2 找到数据背后的隐藏关联－－协方差矩阵_.mp4
│ ├── 5-1-3 PCA的分解过程_.mp4
│ ├── 5-1-4 PCA主成分分析与SVD奇异值分解的关系_.mp4
│ ├── 5-1-5 PCA主成分分析的应用_.mp4
│ ├── 5-1-6 PCA主成分分析的练习-1_.mp4
│ ├── 5-1-7 PCA主成分分析的练习-2_.mp4
│ ├── 5-1-8 PCA主成分分析的练习-3_.mp4
│ └── 5-1-9 PCA主成分分析的练习-4_.mp4
├── 【阶段2：线性代数实战】第6周 Numpy快速上手，用Python实现矩阵
│ ├── 6-1 第1章 Numpy学习入门
│ │ ├── 6-1-1 Numpy介绍_.mp4
│ │ ├── 6-1-10 Numpy相关知识点练习-2_.mp4
│ │ ├── 6-1-11 Numpy相关知识点练习-3_.mp4
│ │ ├── 6-1-2 数组的创建，索引，切片_.mp4
│ │ ├── 6-1-3 Numpy的复制和视图，布尔数组索引_.mp4
│ │ ├── 6-1-4 维度和形状，遍历数组_.mp4
│ │ ├── 6-1-5 连接数组concatenate, stack, hstack, vstack, dstack_.mp4
│ │ ├── 6-1-6 Numpy的广播机制_.mp4
│ │ ├── 6-1-7 算数运算，矩阵操作_.mp4
│ │ ├── 6-1-8 算数运算，矩阵操作_.mp4
│ │ └── 6-1-9 Numpy相关知识点练习-1_.mp4
│ └── 6-2 第2章 用Python实现矩阵
│ ├── 6-2-1 矩阵类简介_.mp4
│ ├── 6-2-10 Python实现一个矩阵类的练习-3_.mp4
│ ├── 6-2-2 重载类的字符串表达_.mp4
│ ├── 6-2-3 重载加减乘除运算符_.mp4
│ ├── 6-2-4 实现矩阵的点积运算_.mp4
│ ├── 6-2-5 实现矩阵的转置_.mp4
│ ├── 6-2-6 实现递归求矩阵的行列式_.mp4
│ ├── 6-2-7 实现高斯消元法求矩阵的列_.mp4
│ ├── 6-2-8 Python实现一个矩阵类的练习-1_.mp4
│ └── 6-2-9 Python实现一个矩阵类的练习-2_.mp4
├── 【阶段2：线性代数实战】第7周 数据处理方法与矩阵与图形变换
│ ├── 7-1 第1章 数据处理方法
│ │ ├── 7-1-1 正态分布，标准分布_.mp4
│ │ ├── 7-1-2 数据的归一化_.mp4
│ │ ├── 7-1-3 数据的标准化_.mp4
│ │ ├── 7-1-4 模型的正则化_.mp4
│ │ ├── 7-1-5 常见数据处理方式练习-1_.mp4
│ │ └── 7-1-6 常见数据处理方式练习-2_.mp4
│ └── 7-2 第2章 矩阵与图形变换
│ ├── 7-2-1 缩放_.mp4
│ ├── 7-2-10 矩阵图形变换的练习-1_.mp4
│ ├── 7-2-11 矩阵图形变换的练习-2_.mp4
│ ├── 7-2-12 矩阵图形变换的练习-3_.mp4
│ ├── 7-2-2 旋转_.mp4
│ ├── 7-2-3 剪切_.mp4
│ ├── 7-2-4 移动_.mp4
│ ├── 7-2-5 组合变换_.mp4
│ ├── 7-2-6 倾斜_.mp4
│ ├── 7-2-7 总结：这些变换在同一个矩阵中的位置_.mp4
│ ├── 7-2-8 Pillow库简介_.mp4
│ └── 7-2-9 线性代数：总结_.mp4
├── 【阶段3：微积分：研究数据变化的规律与模型优化】第10周 积分基础
│ └── 10-1 第1章 积分基础
│ ├── 10-1-1 积分的直观理解_.mp4
│ ├── 10-1-10 练习：积分基础-3_.mp4
│ ├── 10-1-2 不定积分与定积分_.mp4
│ ├── 10-1-3 积分的性质_.mp4
│ ├── 10-1-4 从不定积分计算定积分_.mp4
│ ├── 10-1-5 用scipy数值计算积分_.mp4
│ ├── 10-1-6 用Sympy解析计算积分_.mp4
│ ├── 10-1-7 积分的一个应用：概率累积分布_.mp4
│ ├── 10-1-8 练习：积分基础-1_.mp4
│ └── 10-1-9 练习：积分基础-2_.mp4
├── 【阶段3：微积分：研究数据变化的规律与模型优化】第8周 微积分入门，微积分核心基础
│ ├── 8-1 第1章 微积分入门
│ │ ├── 8-1-1 前言_.mp4
│ │ ├── 8-1-2 斜率，切线，极限，导数，穷竭法，曲线下面积 — 微积分的直观理解_.mp4
│ │ ├── 8-1-3 微积分的历史_.mp4
│ │ ├── 8-1-4 微积分在人工智能中的用处_.mp4
│ │ ├── 8-1-5 练习：理解极限-1_.mp4
│ │ └── 8-1-6 练习：理解极限-2_.mp4
│ └── 8-2 第2章 微积分核心基础
│ ├── 8-2-1 函数的连续性的直观理解_.mp4
│ ├── 8-2-10 符号计算库sympy简介_.mp4
│ ├── 8-2-11 微积分基础知识练习-1_.mp4
│ ├── 8-2-12 微积分基础知识练习-2_.mp4
│ ├── 8-2-13 微积分基础知识练习-3_.mp4
│ ├── 8-2-2 极限的直观理解_.mp4
│ ├── 8-2-3 常用函数的极限_.mp4
│ ├── 8-2-4 用sympy表示常用函数的极限_.mp4
│ ├── 8-2-5 极限的运算规则_.mp4
│ ├── 8-2-6 复合函数的极限_.mp4
│ ├── 8-2-7 有理化求极限_.mp4
│ ├── 8-2-8 导数的直观理解_.mp4
│ └── 8-2-9 代码中研究函数的导数_.mp4
├── 【阶段3：微积分：研究数据变化的规律与模型优化】第9周 微积分进阶与多元微积分
│ ├── 9-1 第1章 微积分进阶
│ │ ├── 9-1-1 导数公式_.mp4
│ │ ├── 9-1-2 导数规则_.mp4
│ │ ├── 9-1-3 高阶导数_.mp4
│ │ ├── 9-1-4 不定式和洛必达法则_.mp4
│ │ ├── 9-1-5 复合函数与链式法则_.mp4
│ │ ├── 9-1-6 链式法则在神经网络中的作用_.mp4
│ │ ├── 9-1-7 微积分进阶的练习-1_.mp4
│ │ ├── 9-1-8 微积分进阶的练习-2_.mp4
│ │ └── 9-1-9 微积分进阶的练习-3_.mp4
│ └── 9-2 第2章 多元微积分
│ ├── 9-2-1 多元微积分_.mp4
│ ├── 9-2-10 高阶偏导数的练习-3_.mp4
│ ├── 9-2-2 偏导数_.mp4
│ ├── 9-2-3 偏导数规则_.mp4
│ ├── 9-2-4 梯度向量_.mp4
│ ├── 9-2-5 偏导数和梯度下降-1_.mp4
│ ├── 9-2-6 偏导数和梯度下降-2_.mp4
│ ├── 9-2-7 高阶偏导数与模型优化_.mp4
│ ├── 9-2-8 高阶偏导数的练习-1_.mp4
│ └── 9-2-9 高阶偏导数的练习-2_.mp4
├── 【阶段4：微积分实战和进阶】第11周 用微积分知识实现一个神经网络
│ └── 11-1 第1章 用微积分知识实现一个神经网络
│ ├── 11-1-1 回归问题与分类问题_.mp4
│ ├── 11-1-10 练习：实现分类神经网络-2_.mp4
│ ├── 11-1-11 练习：实现分类神经网络-3_.mp4
│ ├── 11-1-12 练习：实现分类神经网络-4_.mp4
│ ├── 11-1-13 练习：实现分类神经网络-5_.mp4
│ ├── 11-1-2 神经网络结构_.mp4
│ ├── 11-1-3 激活函数：sigmoid_.mp4
│ ├── 11-1-4 激活函数：softmax_.mp4
│ ├── 11-1-5 损失函数：交叉熵 cross-entropy_.mp4
│ ├── 11-1-6 softmax-cross-entropy的偏导数_.mp4
│ ├── 11-1-7 训练数据处理，标准化_.mp4
│ ├── 11-1-8 分类神经网络代码分析_.mp4
│ └── 11-1-9 练习：实现分类神经网络-1_.mp4
├── 【阶段4：微积分实战和进阶】第12周 ROC曲线与分类性能评估
│ └── 12-1 第1章 ROC曲线与分类性能评估
│ ├── 12-1-1 分类 vs 回归_.mp4
│ ├── 12-1-10 分类问题与ROC练习-3_.mp4
│ ├── 12-1-2 用概率描述预测的类别，阈值选择的问题_.mp4
│ ├── 12-1-3 混淆矩阵_.mp4
│ ├── 12-1-4 用sklearn生成混淆矩阵，生成混淆矩阵图_.mp4
│ ├── 12-1-5 准确率、召回率、假正例率、精确率_.mp4
│ ├── 12-1-6 接收在操作曲线ROC曲线的定义，直观理解_.mp4
│ ├── 12-1-7 代码演示ROC AUC曲线下面积定量评估模型预测的效果_.mp4
│ ├── 12-1-8 分类问题与ROC练习-1_.mp4
│ └── 12-1-9 分类问题与ROC练习-2_.mp4
├── 【阶段4：微积分实战和进阶】第13周 神经网络梯度问题
│ ├── 13-1 第1章 神经网络梯度问题
│ │ ├── 13-1-1 神经网络的梯度消失问题，代码复现梯度消失_.mp4
│ │ ├── 13-1-2 分析神经网络梯度消失的原因_.mp4
│ │ ├── 13-1-3 ReLU激活函数和其它办法来应对梯度消失问题_.mp4
│ │ ├── 13-1-4 深入研究RELU和它的变形_.mp4
│ │ ├── 13-1-5 神经网络的梯度爆炸问题以及成因_.mp4
│ │ ├── 13-1-6 代码演示一个梯度爆炸问题的应对方式：梯度缩放和梯度剪裁_.mp4
│ │ ├── 13-1-7 神经网络过拟合与欠拟合以及成因_.mp4
│ │ ├── 13-1-8 L1正则化和L2正则化技术的直观理解_.mp4
│ │ └── 13-1-9 应对过拟合与欠拟合的技术：dropout_.mp4
│ └── 13-2 第2章 神经网络梯度问题-习题讲解与强化练习
│ ├── 13-2-1 神经网络梯度问题练习-1_.mp4
│ ├── 13-2-2 神经网络梯度问题练习-2_.mp4
│ └── 13-2-3 神经网络梯度问题练习-3_.mp4
├── 【阶段4：微积分实战和进阶】第14周 神经网络自动微分
│ ├── 14-1 第1章 神经网络自动微分
│ │ ├── 14-1-1 为什么要用自动微分_.mp4
│ │ ├── 14-1-2 自动微分的原理：计算图，前向传导_.mp4
│ │ ├── 14-1-3 自动微分之后向传导_.mp4
│ │ ├── 14-1-4 代码实现softmax + 交叉熵的自动微分_.mp4
│ │ ├── 14-1-5 将实现的自动微分应用到神经网络中_.mp4
│ │ └── 14-1-6 pytorch和它的自动微分工具：autograd_.mp4
│ └── 14-2 第2章 神经网络自动微分-习题精讲与强化练习
│ ├── 14-2-1 练习：实现自动微分功能-1_.mp4
│ ├── 14-2-2 练习：实现自动微分功能-2_.mp4
│ └── 14-2-3 练习：实现自动微分功能-3_.mp4
├── 【阶段4：微积分实战和进阶】第15周 偏导数与模型优化与支持向量机SVM
│ ├── 15-1 第1章 偏导数与模型优化
│ │ ├── 15-1-1 偏导数的链式法则_.mp4
│ │ ├── 15-1-2 雅可比矩阵_.mp4
│ │ ├── 15-1-3 理解神经网络里面的偏导数_.mp4
│ │ ├── 15-1-4 实现一个神经网络_.mp4
│ │ ├── 15-1-5 黑塞矩阵_.mp4
│ │ ├── 15-1-6 牛顿法优化器_.mp4
│ │ └── 15-1-7 拉普拉斯算子_.mp4
│ ├── 15-2 第2章 偏导数习题精讲与实践
│ │ ├── 15-2-1 偏导数练习-1_.mp4
│ │ └── 15-2-2 偏导数练习-2_.mp4
│ ├── 15-3 第3章 支持向量机SVM
│ │ ├── 15-3-1 支持向量机SVM：间隔最大化的数学魔法_.mp4
│ │ ├── 15-3-2 SVM的超平面_.mp4
│ │ ├── 15-3-3 超平面硬间隔，软间隔_.mp4
│ │ ├── 15-3-4 SVM最大化间隔_.mp4
│ │ ├── 15-3-5 SVM的Hinge Loss损失函数_.mp4
│ │ ├── 15-3-6 用高维的眼光看数据 – SVM核函数的直观理解_.mp4
│ │ ├── 15-3-7 SVM的多项式核函数_.mp4
│ │ ├── 15-3-8 SVM的RBF核函数_.mp4
│ │ └── 15-3-9 sklearn调用SVM解决分类问题_.mp4
│ └── 15-4 第4章 支持向量机SVM：间隔最大化的数学魔法
│ └── 15-4-1 练习：SVM支持向量机_.mp4
├── 【阶段5：概率论：应对现实世界中不确定性、神经网络的理论基础】第16周 概率基础与离散概率分布
│ ├── 16-1 第1章 概率基础
│ │ ├── 16-1-1 机器学习中的不确定性_.mp4
│ │ ├── 16-1-2 概率的直观理解，几个概率的概念_.mp4
│ │ ├── 16-1-3 两种概率学派：频率篇与贝叶斯派_.mp4
│ │ ├── 16-1-4 随机变量的直观理解_.mp4
│ │ ├── 16-1-5 多随机变量：联合概率，边际概率，条件概率，独立性_.mp4
│ │ └── 16-1-6 概率论中经典有趣的例子_.mp4
│ ├── 16-2 第2章 概率基础练习解析
│ │ ├── 16-2-1 概率入门练习-1_.mp4
│ │ └── 16-2-2 概率入门练习-2_.mp4
│ ├── 16-3 第3章 离散概率分布
│ │ ├── 16-3-1 离散概率与机器分类问题_.mp4
│ │ ├── 16-3-2 随机变量，定义，期望值，方差，标准差_.mp4
│ │ ├── 16-3-3 离散概率分布和连续概率分布，PMF，PDF，CDF_.mp4
│ │ ├── 16-3-4 伯努利分布_.mp4
│ │ ├── 16-3-5 二项分布_.mp4
│ │ ├── 16-3-6 多项伯努利分布_.mp4
│ │ └── 16-3-7 多项分布_.mp4
│ └── 16-4 第4章 离散概率分布-练习解析
│ ├── 16-4-1 练习：离散概率分布-1_.mp4
│ └── 16-4-2 练习：离散概率分布-2_.mp4
├── 【阶段5：概率论：应对现实世界中不确定性、神经网络的理论基础】第17周 连续概率分布与概率密度估计
│ ├── 17-1 第1章 连续概率分布
│ │ ├── 17-1-1 连续概率分布的直观理解，在机器学习中的作用，校准度和锐度_.mp4
│ │ ├── 17-1-2 正态分布以及中心极限定理_.mp4
│ │ ├── 17-1-3 指数分布_.mp4
│ │ ├── 17-1-4 泊松分布_.mp4
│ │ ├── 17-1-5 帕累托分布，二八定律_.mp4
│ │ └── 17-1-6 常见的统计量：均值，中位数，众数_.mp4
│ ├── 17-2 第2章 连续概率分布-习题解析
│ │ ├── 17-2-1 练习：连续概率分布-1_.mp4
│ │ ├── 17-2-2 练习：连续概率分布-2_.mp4
│ │ ├── 17-2-3 练习：连续概率分布-3_.mp4
│ │ └── 17-2-4 练习：连续概率分布-4_.mp4
│ ├── 17-3 第3章 概率密度估计
│ │ ├── 17-3-1 概率密度估计的直观理解_.mp4
│ │ ├── 17-3-2 直方图与matplotlib_.mp4
│ │ ├── 17-3-3 用直方图总结密度_.mp4
│ │ ├── 17-3-4 参数密度估计方法_.mp4
│ │ ├── 17-3-5 核密度估计的直观理解_.mp4
│ │ ├── 17-3-6 代码调用核密度估计_.mp4
│ │ └── 17-3-7 用MISE平均积分平方误差方法评估密度估计的效果_.mp4
│ └── 17-4 第4章 概率密度估计-习题解析
│ ├── 17-4-1 练习：概率密度估计-1_.mp4
│ └── 17-4-2 练习：概率密度估计-2_.mp4
├── 【阶段5：概率论：应对现实世界中不确定性、神经网络的理论基础】第18周 最大似然估计，贝叶斯概率
│ ├── 18-1 第1章 最大似然估计
│ │ ├── 18-1-1 什么叫似然，最大似然_.mp4
│ │ ├── 18-1-2 正态分布的最大似然函数_.mp4
│ │ ├── 18-1-3 最大似然估计逻辑回归原理_.mp4
│ │ ├── 18-1-4 实现最大似然估计逻辑回归代码_.mp4
│ │ └── 18-1-5 神经网络就是最大似然估计_.mp4
│ ├── 18-2 第2章 贝叶斯概率
│ │ ├── 18-2-1 贝叶斯定理：直观理解，证明，例子_.mp4
│ │ ├── 18-2-2 贝叶斯定理的变形，例子_.mp4
│ │ ├── 18-2-3 贝叶斯分类器的直观理解_.mp4
│ │ ├── 18-2-4 朴素贝叶斯分类器_.mp4
│ │ └── 18-2-5 高斯朴素贝叶斯分类器的直观理解_.mp4
│ ├── 18-3 第3章 练习：最大似然估计
│ │ └── 18-3-1 练习：最大似然估计_.mp4
│ └── 18-4 第4章 练习：贝叶斯概率
│ ├── 18-4-1 练习：贝叶斯概率-1_.mp4
│ ├── 18-4-2 练习：贝叶斯概率-2_.mp4
│ ├── 18-4-3 练习：贝叶斯概率-3_.mp4
│ ├── 18-4-4 练习：贝叶斯概率-4_.mp4
│ └── 18-4-5 练习：贝叶斯概率-5_.mp4
├── 【阶段5：概率论：应对现实世界中不确定性、神经网络的理论基础】第19周 贝叶斯回归
│ └── 19-1 第1章 贝叶斯回归
│ ├── 19-1-1 贝叶斯回归，用概率的眼光和工具来重新认识回归问题_.mp4
│ ├── 19-1-2 详解贝叶斯回归_.mp4
│ ├── 19-1-3 贝叶斯回归的代码实现_.mp4
│ ├── 19-1-4 正则化与贝叶斯回归_.mp4
│ ├── 19-1-5 练习：贝叶斯回归（上）_.mp4
│ ├── 19-1-6 练习：贝叶斯回归（下）_.mp4
│ ├── 19-1-7 概率与统计总结_.mp4
│ └── 19-1-8 人工智能数学基础课程总结_.mp4
└── 【阶段6：综合实战、总结】第20周 LLM大语言模型的实现：深入大语言模型的核心数学原理
├── 20-1 第1章 LLM大语言模型的实现和背后的数学原理
│ ├── 20-1-1 大语言模型概括：从理论架构到训练实践\20014_.mp4
│ ├── 20-1-2 LLM核心组件1：词嵌入、注意力机制与深度网络优化技术\20014（上）\20014_.mp4
│ ├── 20-1-3 LLM核心组件1：词嵌入、注意力机制与深度网络优化技术\20014（中）_.mp4
│ ├── 20-1-4 LLM核心组件1：词嵌入、注意力机制与深度网络优化技术\20014（下）_.mp4
│ ├── 20-1-5 LLM核心组件2：位置编码与输出层设计原理\20014_.mp4
│ └── 20-1-6 LLM的实现与训练：代码实现、损失函数与优化器调参指南_.mp4
└── 20-2 第2章 数学面试题讲解
├── 20-2-1 人工智能岗位数学基础面试题讲解（上）_.mp4
└── 20-2-2 人工智能岗位数学基础面试题讲解（下）_.mp4
