🏷️ 线性代数

人工智能/机器学习数学基础与学习路径

文章详细阐述了掌握人工智能和机器学习所需的三大数学支柱：统计学与概率、线性代数以及微积分。作者不仅解释了每个领域的核心概念（如贝叶斯定理、矩阵分解和梯度优化），还强调了它们在 AI 模型（如神经网络、回归）中的实际应用。最后，作者分享了一条个性化的学习路线图，推荐了 3Blue1Brown、Coursera 课程及《统计学习导论》等优质资源，帮助读者从直观理解过渡到理论实践。

GitHub 开源宝藏：线性代数可视化教材与 3D 交互教学工具

文章推荐了两个 GitHub 上的优质开源教育资源。一是《线性代数不难》，这是一套通过几何可视化、动画和配套 .ipynb 笔记本将抽象概念直观化的开源教材，适合机器学习入门。二是 AetherViz Master，一个利用 Three.js + SVG 自动生成 3D 交互式教学网页的工具，能帮助教师将复杂的物理、数学等知识点转化为可视化的互动演示。

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。