AI 数学基础课程
AI，全称人工智能（Artificial Intelligence）让机器从数据中学习规律并做出判断的技术，而数学是描述规律、刻画变化的精确语言。
AI 提出目标，数学提供实现路径——从数据表示到模型训练，每一步背后都是数学在起作用。
可以说，数学是 AI 的骨架，没有数学，AI 只是一个模糊的构想。有了数学，AI 才能被计算、被验证、被真正实现。
这也是为什么理解 AI，绕不开理解支撑它的数学。
AI 数学基础相关内容
AI 数学基础相关内容包含以下几个板块：
- 线性代数——描述数据的语言。一张图片、一段文字、一个用户画像，在计算机里最终都变成向量或矩阵。
- 微积分——描述变化的语言。模型是怎么学会的？靠的是不断计算梯度、调整参数。
- 概率与统计——描述不确定性的语言。世界是随机的，数据有噪声，模型的输出本质上是一种概率判断。
- 信息论——描述信息量的语言。用来衡量预测和真实之间差了多少、模型学到了多少东西。
- 优化理论——描述如何找到最优解的语言。训练一个模型，本质上就是在解一个优化问题。
这五个板块不是孤立的知识点，而是环环相扣的一条链路：
数据（线性代数）→ 建模（概率统计）→ 衡量误差（信息论）→ 求解（微积分+优化）
后面每一讲的内容，都会不断回到这条链路上，帮你把抽象的公式和具体的 AI 应用对应起来。
为什么要学这些数学？
你可能会问：现在调用一个 API 就能用上 AI，为什么还要学数学？
如果你只是使用 AI 工具坦白说，不需要多少数学，会写 prompt、会调 API 就够了。
如果你想理解 AI 是怎么工作的就需要具备一定的数学基础，这样才能知道以下问题是为什么：
- 为什么模型训练时 loss 会下降
- 为什么有时候模型会学不动（梯度消失/爆炸）
- 为什么调整学习率会让训练变好或变差
- 为什么 Transformer 里要做归一化、要用 softmax
这些为什么，答案全部藏在数学里，没有数学基础，你只能死记硬背这些现象。有了以上这些数学基础，你能推导出这些现象必然会发生。
如果你想创造新的 AI 方法这才是数学真正发挥威力的地方。所有你听说过的突破——梯度下降、反向传播、注意力机制、扩散模型——最初都是先有数学推导，后有代码实现。想做原创性的工作，数学是绕不开的地基。
一句话总结：数学不是 AI 的装饰，而是 AI 的骨架。代码只是把数学翻译成机器能执行的语言。
什么人适合学这门课？
这门课程比较适合以下几类人：
- 想转行做 AI / 算法方向的人：需要打好底层基础，而不只是会调库
- 在校学生（计算机、软件相关专业）：想提前建立系统的数学直觉
- 已经会写 AI 应用，但想"知其所以然"的开发者：能跑通代码，但看论文时公式看不懂
- 对 AI 底层原理有好奇心的人：单纯想搞懂"AI 到底是怎么回事"
不太适合的情况：如果你的目标只是快速用现成模型完成业务需求（比如调用大模型 API 写产品功能），就不一定学。
需要具备的知识点？
数学基础
- 高中数学水平即可（会算导数、了解基本的集合和函数概念更好，但不是必须）
- 不要求学过大学的线性代数、微积分、概率论——课程会从最基础的定义讲起
编程基础
- 会读写基本的 Python 代码（变量、循环、函数）
- 不需要提前掌握 NumPy，课程中会边用边学
其他
- 需要一点耐心：数学的直觉不是一蹴而就的，建议跟着每一讲的练习动手算一算、跑一跑代码
- 不需要任何 AI/机器学习的先验知识，课程会在讲数学的同时逐步引入相关概念