一、基础数学功底（算法的底层基石）​

1. 线性代数（AI 数据处理与模型计算核心）​

核心概念深度解析​

• 向量：n 维有序数组，是 AI 中数据的基本表示形式（如图像像素、文本特征、用户行为数据），支持加法、数乘、内积运算​

• 矩阵：m×n 维数据表格，用于存储批量数据或线性变换规则，核心运算包括矩阵乘法（满足结合律、不满足交换律）、转置、求逆​

• 行列式：仅方阵存在，反映矩阵的缩放因子，用于判断矩阵可逆性（行列式≠0 则可逆）​

• 特征值与特征向量：若 Ax=λx，则 λ 为特征值，x 为对应特征向量，核心意义是找到矩阵的 “主成分方向”，是 PCA、谱聚类的核心原理​

• 矩阵分解：​

• PCA（主成分分析）：将矩阵分解为正交矩阵 × 对角矩阵 × 正交矩阵转置，用于降维​

• SVD（奇异值分解）：任意矩阵可分解为 U×Σ×V^T，U/V 为正交矩阵，Σ 为奇异值对角矩阵，适用于推荐系统、图像压缩​

• QR 分解：将矩阵分解为正交矩阵 Q 和上三角矩阵 R，用于求解线性方程组​

必备应用场景​

• 高维数据降维：通过 PCA/SVD 提取核心特征，减少计算量并避免过拟合​

• 神经网络权重计算：矩阵乘法实现多层神经元的信号传递​

• 推荐系统：基于用户 - 物品评分矩阵的 SVD 分解，实现协同过滤推荐​

关键公式与推导思路​

• 矩阵乘法：C_ij = Σ(A_ik × B_kj)（i 行 j 列元素为 A 的 i 行与 B 的 j 列对应元素乘积和）​

• 逆矩阵求解：A⁻¹ = (1/|A|) × A*（A * 为伴随矩阵，仅适用于二阶方阵；高阶矩阵需用高斯消元法）​

• 特征值分解：A = P×Λ×P⁻¹（P 为特征向量组成的矩阵，Λ 为特征值对角矩阵）​

• 正交矩阵性质：A^T × A = I（单位矩阵），列向量两两正交且模长为 1​

2. 概率论与数理统计（AI 模型不确定性建模核心）​

核心概念深度解析​

• 概率分布：​

• 二项分布：n 次独立伯努利试验中成功 k 次的概率，P (X=k)=C (n,k) p^k (1-p)^(n-k)，适用于分类任务的概率预测​

• 正态分布（高斯分布）：P (x)=(1/√(2πσ²)) e^(-(x-μ)²/(2σ²))，μ 为均值，σ 为标准差，AI 中数据噪声多服从正态分布​

• 泊松分布：描述单位时间内随机事件发生的次数，P (X=k)=(λ^k e^(-λ))/k!，适用于计数型数据建模​

• 期望与方差：期望 E [X] 是随机变量的平均值，方差 Var (X)=E [(X-E [X])²] 反映数据离散程度​

• 极大似然估计（MLE）：通过样本数据反推模型参数，使样本出现概率最大化的参数估计方法​

• 贝叶斯定理：P (A|B)=P (B|A) P (A)/P (B)，核心是 “后验概率 = 似然 × 先验 / 证据”，是贝叶斯模型、LDA 主题模型的基础​

必备应用场景​

• 模型参数估计：用 MLE 估计逻辑回归、朴素贝叶斯的模型参数​

• 概率型算法：朴素贝叶斯分类器（基于条件独立性假设）​

• 置信区间分析：评估模型预测结果的可靠性（如 95% 置信区间）​

• 异常检测：基于正态分布的 3σ 原则（偏离均值 3 倍标准差的数据为异常值）​

关键工具与计算方法​

• 条件概率计算：P (A|B)=P (A∩B)/P (B)，适用于多事件依赖关系建模​

• 假设检验：​

• t 检验：检验两组数据均值是否存在显著差异（适用于小样本）​

• 卡方检验：检验分类变量的独立性（如特征与标签的相关性）​

• 极大似然估计求解步骤：​

1. 写出样本的似然函数 L (θ)（联合概率分布）​

1. 对似然函数取对数（lnL (θ)，简化计算）​

1. 求对数似然函数的最大值点（求导并令导数为 0）​

3. 微积分与优化理论（AI 模型训练核心）​

核心概念深度解析​

• 导数与偏导数：导数反映单变量函数的变化率，偏导数反映多变量函数对某一变量的变化率（其他变量固定）​

• 梯度：由多变量函数的偏导数组成的向量（∇f = (∂f/∂x₁, ∂f/∂x₂, ..., ∂f/∂xₙ)），方向为函数值增长最快的方向​

• 雅克比矩阵：m×n 矩阵，元素为 f_i 对 x_j 的偏导数，用于向量函数的导数表示​

• 海森矩阵：n×n 矩阵，元素为 f 对 x_i,x_j 的二阶偏导数，用于判断函数极值（正定则为极小值点）​

• 凸函数：满足 f (λx+(1-λ) y)≤λf (x)+(1-λ) f (y)（0≤λ≤1），凸函数的局部极小值即为全局极小值，简化优化过程​

必备应用场景​

• 模型参数更新：梯度下降法利用梯度方向调整参数，最小化损失函数​

• 损失函数最小化：通过求导找到损失函数的极值点，确定最优参数​

• 神经网络激活函数：ReLU 的导数计算（x>0 时为 1，x≤0 时为 0）、Sigmoid 的导数（σ’(x)=σ(x)(1-σ(x))）​

关键公式与优化方法​

• 链式法则：复合函数求导，若 y=f (u)，u=g (x)，则 dy/dx=dy/du × du/dx（多变量时扩展为偏导数链式法则）​

• 梯度下降核心公式：θ = θ - η∇L (θ)（θ 为参数，η 为学习率，∇L (θ) 为损失函数梯度）​

• 随机梯度下降（SGD）：每次用单个样本计算梯度，训练速度快但波动大​

• 动量梯度下降（Momentum）：θ = θ - η(βv + ∇L (θ))（v 为动量，β 通常取 0.9），缓解 SGD 波动​

• 拉格朗日乘数法：用于带约束的优化问题，构造 L (x,λ)=f (x)+λg (x)（g (x)=0 为约束条件），求导求解极值​

4. 离散数学（AI 图模型与逻辑推理核心）​

核心概念深度解析​

• 图论基础：​

• 节点（顶点）：表示实体（如用户、物品、单词）​

• 边：表示实体间的关系（如用户关注、物品购买、单词共现）​

• 路径：从一个节点到另一个节点的边序列，路径长度为边的数量​

• 连通图：任意两个节点间都存在路径的图​

• 集合与逻辑：​

• 集合运算：并、交、补、差，用于数据分类与筛选​

• 命题逻辑：原子命题、复合命题（与 / 或 / 非），用于规则推理​

• 谓词逻辑：引入量词（∀全称量词、∃存在量词），用于复杂关系描述​

• 排列组合：​

• 排列：从 n 个元素中选 k 个的有序排列数 P (n,k)=n!/(n-k)!​

• 组合：从 n 个元素中选 k 个的无序组合数 C (n,k)=n!/(k!(n-k)!)​

必备应用场景​

• 图神经网络（GNN）：基于图结构的节点分类、链路预测（如社交网络好友推荐）​

• 推荐系统：图模型描述用户 - 物品 - 标签的复杂关系​

• 路径规划类模型：如强化学习中的状态转移路径优化​

• 规则推理：基于谓词逻辑的知识图谱推理（如 “父亲的父亲是祖父”）​

二、编程与工具基础（算法落地必备）​

1. 核心编程语言（Python 实战重点）​

Python 核心语法深度解析​

• 变量类型：​

• 基本类型：int（整数）、float（浮点数）、str（字符串）、bool（布尔值）​

• 复合类型：list（列表，可变）、tuple（元组，不可变）、dict（字典，键值对）、set（集合，无重复元素）​

• 函数编程：​

• 定义函数：def 关键字，支持默认参数、可变参数（*args）、关键字参数（**kwargs）​

• 匿名函数：lambda 表达式（适用于简单逻辑，如 lambda x: x**2）​

• 高阶函数：map（映射）、filter（过滤）、reduce（归约），用于数据批量处理​

• 类与对象：​

• 面向对象三大特性：封装（属性私有化）、继承（子类复用父类方法）、多态（不同子类重写同一方法）​

• 魔法方法：init（构造函数）、str（字符串表示）、call（对象可调用）​

• 异常处理：try-except-finally 结构，捕获并处理 RuntimeError、ValueError、TypeError 等常见异常​

核心库实战用法​

• NumPy（数组运算）：​

• 核心对象：ndarray（n 维数组），支持广播机制（不同形状数组的算术运算）​

• 常用函数：​

• 数组创建：np.array ()、np.zeros ()、np.ones ()、np.arange ()​

• 数组操作：np.reshape ()（形状转换）、np.concatenate ()（拼接）、np.split ()（分割）​

• 数学运算：np.dot ()（矩阵乘法）、np.linalg.inv ()（矩阵求逆）、np.linalg.eig ()（特征值分解）​

• Pandas（数据处理）：​

• 核心对象：Series（一维数据）、DataFrame（二维表格数据）​

• 常用操作：​

• 数据读取：pd.read_csv ()、pd.read_excel ()​

• 数据清洗：df.dropna ()（删除缺失值）、df.fillna ()（填充缺失值）、df.drop_duplicates ()（去重）​

• 数据筛选：df [df [' 列名 ']> 阈值]（条件筛选）、df.loc []（标签索引）、df.iloc []（位置索引）​

• 数据聚合：df.groupby ()（分组）、df.agg ()（聚合计算）​

• Matplotlib/Seaborn（可视化）：​

• 基础图表：折线图（plt.plot ()）、柱状图（plt.bar ()）、散点图（plt.scatter ()）、直方图（plt.hist ()）​

• 进阶图表：Seaborn 的 heatmap（热力图，用于相关性分析）、boxplot（箱线图，用于异常值检测）​

• 图表优化：设置标题（plt.title ()）、坐标轴标签（plt.xlabel ()）、图例（plt.legend ()）、保存图片（plt.savefig ()）​

2. 深度学习框架（TensorFlow/PyTorch 实战）​

TensorFlow 核心用法​

• 计算图与张量：​

• 张量（Tensor）：多维数组，是 TF 的数据载体，支持 tf.constant ()（常量）、tf.Variable ()（变量，可训练）​

• 计算图：静态图机制（1.x 版本），需先定义计算流程再执行；2.x 版本默认 Eager Execution（动态图，即时执行）​

• Keras 高阶 API：​

• 模型搭建：Sequential 模型（线性堆叠）、Functional API（复杂模型，如多输入多输出）​

• 层定义：Dense（全连接层）、Conv2D（卷积层）、LSTM（循环层）、Dropout（正则化层）​

• 模型训练：model.compile ()（设置优化器、损失函数、评估指标）、model.fit ()（训练）、model.evaluate ()（评估）​

• 模型保存与加载：​

• 保存：model.save ('model.h5')（保存完整模型）、tf.saved_model.save ()（SavedModel 格式，支持跨平台）​

• 加载：tf.keras.models.load_model ('model.h5')、tf.saved_model.load ()​

PyTorch 核心用法​

• 动态计算图与自动求导：​

• 动态计算图：计算过程即时构建，支持调试（print 张量值）​

• 自动求导：torch.autograd 模块，张量设置 requires_grad=True 时，会跟踪所有运算并计算梯度​

• nn 模块（神经网络层）：​

• 容器：nn.Sequential（线性堆叠）、nn.Module（自定义模型基类）​

• 常用层：nn.Linear ()（全连接层）、nn.Conv2d ()（卷积层）、nn.LSTM ()（循环层）、nn.Dropout ()（Dropout 层）​

• 数据加载器（DataLoader）：​

• 自定义数据集：继承 torch.utils.data.Dataset，重写__len__（数据集大小）和__getitem__（获取单个样本）​

• DataLoader：批量加载数据，支持 shuffle（打乱数据）、batch_size（批次大小）、num_workers（多线程加载）​

• 训练过程可视化：​

• TensorBoard：通过 torch.utils.tensorboard.SummaryWriter 记录损失值、准确率、模型结构等​

框架对比与选择建议​

• TensorFlow：适合大规模部署、工业级应用，生态完善（支持移动端、边缘设备），文档丰富​

• PyTorch：适合科研、快速原型开发，语法简洁直观，调试方便，社区活跃（学术论文实现多基于 PyTorch）​

• 通用实战技巧：​

• 模型搭建：先画网络结构图，明确输入输出维度、各层参数（如卷积层的 kernel_size、stride）​

• 参数调优：学习率初始值建议 0.001，根据训练曲线调整（损失不下降则增大，震荡则减小）​

• 训练监控：关注训练集 / 验证集损失差（差值过大可能过拟合），及时调整正则化强度​

3. 数据处理工具（算法落地前的数据准备）​

数据清洗深度实战​

• 缺失值处理：​

• 缺失值检测：df.isnull ().sum ()（统计各列缺失值数量）、df.info()（查看数据类型与非空值数量）​

• 处理方法：​

• 删除法：df.dropna (axis=0/1)（axis=0 删行，axis=1 删列，适用于缺失值少的情况）​

• 填充法：​

• 数值型数据：均值填充（df.fillna (df.mean ())）、中位数填充（df.fillna (df.median ())，抗异常值）、众数填充（适用于离散数值）​

• 分类数据：众数填充（df.fillna (df.mode ()[0])）、自定义填充（如用 “未知” 填充文本型缺失值）​

• 异常值处理：​

• 异常值检测：​

• 统计法：3σ 原则（适用于正态分布数据）、IQR 法则（Q1-1.5IQR~Q3+1.5IQR，IQR=Q3-Q1）​

• 可视化法：箱线图（plt.boxplot ()）、散点图（识别离群点）​

• 处理方法：删除异常值、修正异常值（如用中位数替换）、分箱处理（将异常值归入特定区间）​

• 数据标准化 / 归一化：​

• 标准化（Z-Score）：x’=(x-μ)/σ，适用于数据呈正态分布的场景，公式：from sklearn.preprocessing import StandardScaler​

• 归一化（Min-Max）：x’=(x-min)/(max-min)，将数据映射到 [0,1] 区间，适用于数据分布未知的场景，公式：from sklearn.preprocessing import MinMaxScaler​

• 注意事项：标准化 / 归一化需拟合训练集，再应用到测试集（避免数据泄露）​

特征工程核心技巧​

• 特征编码（处理分类变量）：​

• 标签编码（Label Encoding）：将分类变量映射为 0,1,...,n-1，适用于有序分类（如学历：小学 = 0、中学 = 1、大学 = 2），from sklearn.preprocessing import LabelEncoder​

• 独热编码（One-Hot Encoding）：将每个分类变量扩展为二进制列，适用于无序分类（如颜色：红 = 100、绿 = 010、蓝 = 001），from sklearn.preprocessing import OneHotEncoder​

• 目标编码（Target Encoding）：用分类变量对应的目标变量均值编码，适用于高基数分类（如邮编、ID），避免维度爆炸​

• 特征选择（筛选有效特征）：​

• 过滤法：​

• 数值型特征：皮尔逊相关系数（衡量与目标变量的线性相关性）、互信息（衡量非线性相关性）​

• 分类型特征：卡方检验（检验与目标变量的独立性）、信息增益（基于决策树的特征重要性）​

• 嵌入法：​

• 基于模型的特征选择：用 XGBoost、RandomForest 训练模型，输出 feature_importances_（特征重要性）​

• L1 正则化（Lasso）：通过惩罚系数使不重要特征的权重为 0，实现特征选择，from sklearn.linear_model import Lasso​

• 包裹法：递归特征消除（RFE），基于模型性能逐步剔除不重要特征，from sklearn.feature_selection import RFE​

• 特征变换（优化特征分布）：​

• 多项式变换：生成特征的高次项和交互项（如 x1²、x1x2），适用于线性模型捕捉非线性关系，from sklearn.preprocessing import PolynomialFeatures​

• 对数变换：x’=log (x)，适用于右偏分布数据（如收入、用户活跃度），压缩极端值​

• 幂变换：Box-Cox 变换、Yeo-Johnson 变换，使数据更接近正态分布，from sklearn.preprocessing import PowerTransformer