机器学习数学部分常用相关概念:
高等数学
1）函数
2）极限
3）导数
4）极值和最值
5）泰勒级数
6）梯度
7）梯度下降
线性代数
1）基本概念
2）行列式
3）矩阵
4）最小二乘法
5）向量的线性相关性
概率论
1）事件
2）排列组合
3）概率
4）贝叶斯定理
5）概率分布
6）期望和方差
7）参数估计
视频学习内容：点我
1）P2 概率论与贝叶斯先验
2）P3 矩阵和线性代数
机器学习是一门多领域交叉学科，涉及较多的数学知识，本节课知识之前都有学过，这次根据重点重新梳理一遍，一定要多加重视。通过观看视频，大家对课程的数学基础部分加深印象。
建议大家边看边做笔记，记录要点及所在时间点，以便有必要的时候回看。学习笔记也是作业的一部分。
要求
（1）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。
1）P2 概率论与贝叶斯先验
视频中学习的笔记记录（公式）
2）P3 矩阵和线性代数
矩阵和线性代数主要内容有如下几点：
用到的线性代数知识有：
1.方阵的行列式之间的运算
2.代数余子式
3.范德蒙行列式Vandermonde
4.矩阵的乘法
5.矩阵的秩
6.秩与线性方程组的解的关系
7.正交阵
8.特征值和特征向量
9.正定阵
（2）用自己的话总结“梯度”，“梯度下降”和“贝叶斯定理”，可以word编辑，可做思维导图，可以手写拍照，要求言简意赅、排版整洁。
简单说在单变量的实值函数的情况，梯度只是导数，或者，对于一个线性代数，也就是线的斜率。
梯度下降是迭代法的一种,可以用于求解最小二乘问题(线性和非线性都可以)。在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降是最常采用的方法之一。简单说就是从山顶上找一个最快，最陡峭的路线下山。
贝叶斯定理：贝叶斯公式是建立在条件概率的基础上寻找事件发生的原因（即大事件A已经发生的条件下，分割中的小事件
的概率），设
是样本空间Ω的一个划分，则对任一事件A（P(A)>0)，有贝叶斯定理：
对于特征集合x，我们想要知道样本在这个特征集合x下属于哪个类别，即求后验概率P(c|x)最大的类标记。这样基于贝叶斯公式，可以得到：
贝叶斯定理是用来描述两个条件概率之间关系的定理，比如P(A|B)和P(B|A)，通常，事件A在事件B发生的条件下的概率{P(A|B)}与事件B在事件A的条件下的概率{P(B|A)}是不一样的，但是这两者之间有确定的关系，贝叶斯法则就是这种关系的陈述。