LLM Fundamentals 基础
1. 机器学习的数学基础
在掌握机器学习之前，理解支撑这些算法的基本数学概念非常重要。
-
线性代数：这是理解许多算法（特别是深度学习算法）的关键。主要概念包括向量、矩阵、行列式、特征值和特征向量、向量空间以及线性变换。
-
微积分：许多机器学习算法涉及到连续函数的优化，这需要理解导数、积分、极限和级数。多变量微积分以及梯度的概念也很重要。
-
概率论与统计学：这些知识对于理解模型如何从数据中学习并进行预测至关重要。主要概念包括概率理论、随机变量、概率分布、期望、方差、协方差、相关性、假设检验、置信区间、最大似然估计和贝叶斯推断。
有的时候临时抱佛脚也是可以的
标签：一篇,训练,模型,路径,就够,学习,LLM,使用,数据 From： https://blog.csdn.net/2401_85375151/article/details/142757948