AI/ML 所需的线性代数知识（完整路线图）
本文旨在消除从事 AI/ML 工作对数学博士学位的恐惧，提供了一份精准的线性代数学习路线图。文章分为五个阶段：从标量、向量、矩阵等基础概念，到特征值、SVD（奇异值分解）等核心机器学习数学工具，再到连接微积分的梯度与雅可比矩阵。作者强调了掌握这些概念对于理解神经网络、PCA、推荐系统及 LoRA 微调等技术的重要性。
全部文档 / 标签: 学习路线
32 篇
2026年普通人量化交易指南：从概率论到策略架构
本文改编自@MrRyanChi，详细阐述了在Agent时代（2026年）普通人如何通过量化交易实现技术平权。文章以预测市场为例，系统梳理了量化交易的知识地图，涵盖概率论（贝叶斯推断、凯利公式）、统计学（假设检验、回归分析）及线性代数（协方差矩阵）等核心数学基础。通过通俗易懂的图解和实战作业，指导读者从“赌徒”思维转变为基于数学模型的“宽客”思维，并强调在OpenClaw等基础设施支持下，策略设计与架构能力是个体在市场中的核心竞争力。
