机器学习数学模型：贝叶斯信念网，贝叶斯朴素分类器 里面包含上课时的PPT，PDF文档

高等数学相关书籍 --陈博士-- .........................

1、程序员的数学 2、程序员的数学+3+线性代数+,平冈和幸 3、概率论与数理统计-北京大学出版社 4、高等数学微积分(北大版) 5、给讨厌数学的人：数学的奥妙和生活 6、统计思维：程序员数学之概率统计，完整高清版 7、微积分之屠龙宝刀（美）C.亚当斯等 8、微积分之倚天宝剑

机器学习的特点就是：以计算机为工具和平台，以数据为研究对象，以学习方法为中心；是概率论、线性代数、数值计算、信息论、最优化理论和计算机科学等多个领域的交叉学科。所以本文就先介绍一下机器学习涉及到的一些最常用的的数学知识。

内容主要涉及线性代数，拓扑学，微积分等机器学习所需的数学理论基础，共计1900多页，由UPenn的教授编写

斯坦福大学机器学习的数学基础，原版英文材料，非常全面

机器学习的数学基础，适合机器学习和人工智能的相关学习者

《Introduction to Applied Linear Algebra》是斯坦福大学的最新专为机器学习编写的数学一本通，这个是EE103 (Stanford) and EE133A (UCLA)课程中使用的教材。要求为高中的基础就可以开始学习。

总结了新人学习机器学习过程中需要用的常用数学公式汇总

第⼀一章 数学基础 1.1 标量量、向量量、矩阵、张量量之间的联系 1.2 张量量与矩阵的区别? 1.3 矩阵和向量量相乘结果 1.4 向量量和矩阵的范数归纳 1.5 如何判断⼀一个矩阵为正定? 1.6 导数偏导计算 1.7 导数和偏导数有什什么区别? 1.8 特征值分解与特征向量量 1.9 奇异值与特征值有什什么关系? 1.10 机器器学习为什什么要使⽤用概率? 1.11 变量量与随机变量量有什什么区别? 1.12 常⻅见概率分布 1.13 举例例理理解条件概率 1.14 联合概率与边缘概率联系区别? 1.15 条件概率的链式法则 1.16 独⽴立性和条件独⽴立性 1.17 期望、⽅方差、协⽅方差、相关系数总结