1.機器學習數學部分常用相關概念:
（1）.高等數學
1）函數
2）極限
3）導數
4）極值和最值
5）泰勒級數
6）梯度
7）梯度下降
（2）.線性代數
1）基本概念
2）行列式
3）矩陣
4）最小二乘法
5）向量的線性相關性
（3）.概率論
1）事件
2）排列組合
3）概率
4）貝葉斯定理
5）概率分佈
6）期望和方差
7）參數估計
2.視頻學習內容：https://www.bilibili.com/video/BV1Tb411H7uC?p=2
1）P2 概率論與貝葉斯先驗
2）P3 矩陣和線性代數
機器學習是一門多領域交叉學科，涉及較多的數學知識，本節課知識之前都有學過，這次根據重點重新梳理一遍，一定要多加重視。通過觀看視頻，大家對課程的數學基礎部分加深印象。
建議大家邊看邊做筆記，記錄要點及所在時間點，以便有必要的時候回看。學習筆記也是作業的一部分。
3.要求：
（1）貼上視頻學習筆記，要求真實，不要抄襲，可以手寫拍照。
1）P2 概率論與貝葉斯先驗
視頻中學習的筆記記錄（公式）
2）P3 矩陣和線性代數
矩陣和線性代數主要內容有如下幾點：
用到的線性代數知識有：
1.方陣的行列式之間的運算
2.代數餘子式
3.範德蒙行列式Vandermonde
4.矩陣的乘法
5.矩陣的秩
6.秩與線性方程組的解的關係
7.正交陣
8.特徵值和特徵向量
9.正定陣
（2）用自己的話總結“梯度”，“梯度下降”和“貝葉斯定理”，可以word編輯，可做思維導圖，可以手寫拍照，要求言簡意賅、排版整潔。
梯度的本意是一個向量（矢量），表示某一函數在該點處的方向導數沿着該方向取得最大值，即函數在該點處沿着該方向（此梯度的方向）變化最快，變化率最大（爲該梯度的模）。簡單說在單變量的實值函數的情況，梯度只是導數，或者，對於一個線性代數，也就是線的斜率。
梯度下降是迭代法的一種,可以用於求解最小二乘問題(線性和非線性都可以)。在求解機器學習算法的模型參數，即無約束優化問題時，梯度下降是最常採用的方法之一。簡單說就是從山頂上找一個最快，最陡峭的路線下山。
貝葉斯定理：貝葉斯公式是建立在條件概率的基礎上尋找事件發生的原因（即大事件A已經發生的條件下，分割中的小事件
的概率），設
是樣本空間Ω的一個劃分，則對任一事件A（P(A)>0)，有貝葉斯定理：
對於特徵集合x，我們想要知道樣本在這個特徵集合x下屬於哪個類別，即求後驗概率P(c|x)最大的類標記。這樣基於貝葉斯公式，可以得到：
貝葉斯定理是用來描述兩個條件概率之間關係的定理，比如P(A|B)和P(B|A)，通常，事件A在事件B發生的條件下的概率{P(A|B)}與事件B在事件A的條件下的概率{P(B|A)}是不一樣的，但是這兩者之間有確定的關係，貝葉斯法則就是這種關係的陳述。