技术岗

人工智能之数学基础

从部署到实践，即刻拥有你的专属龙虾助手

OpenClaw开发者专区🦞🦞🦞

自行/邀约他人一键搬运博客，享价值百万资源包

腾讯云自媒体同步曝光计划

往期视频·干货材料·成员作品 最新动态

腾讯技术创作特训营知识专栏

新邀入驻腾讯云开发者社区，福利多多！

信息论不仅是通信工程的基石，更在人工智能、深度学习、大数据处理中扮演关键角色。从神经网络中的嵌入表示到大模型的 Token 压缩，从变分自编码器（VAE） 到信息瓶颈理论，信息论提供了统一的数学语言。

人工智能之数学基础 信息论：第四章 应用延伸

在机器学习和数据科学中，如何从成百上千个特征中选出最有用的子集？信息论提供了强大而优雅的工具：互信息（Mutual Information） 和 信息增益（Information Gain）。它们不仅能衡量特征与目标变量的相关性，还能用于无监督/有监督特征选择、决策树分裂、聚类评估等任务。

人工智能之数学基础 信息论：第三章 实用工具

交叉熵（Cross-Entropy）和 KL 散度（Kullback-Leibler Divergence）是现代机器学习，尤其是深度学习分类任务的理论基石。它们不仅定义了损失函数的形式，还揭示了模型学习的本质：让预测分布逼近真实分布。

人工智能之数学基础 信息论：第二章 核心度量

信息论由克劳德·香农（Claude Shannon） 于1948年创立，是通信、数据压缩、密码学、机器学习（尤其是特征选择、决策树、变分推断）的理论基石。本文系统讲解：

人工智能之数学基础 信息论：第一章 基础概念

离散概率是离散数学与概率论的交叉核心，为机器学习中的分类、采样、不确定性建模提供理论基础。本文系统讲解：

人工智能之数学基础 离散数学：第四章 离散概率

组合数学是离散数学的核心分支，研究离散对象的计数、构造与优化。它在密码学、算法设计、概率论、机器学习特征工程、AI 组合优化等领域有广泛应用。本文系统讲解：

人工智能之数学基础 离散数学：第三章 组合数学

图论是离散数学的核心分支，广泛应用于社交网络分析、路径规划、编译器优化、知识图谱、推荐系统等计算机科学领域。本文系统讲解：

人工智能之数学基础 离散数学：第二章 图论

离散数学是计算机科学、人工智能和形式化方法的理论基石。集合论提供了数据结构的抽象基础，命题逻辑和谓词逻辑则是知识表示、自动推理和规则系统的核心工具。本文系统讲解：

人工智能之数学基础 离散数学：第一章 集合论与逻辑推理

在优化理论中，凸性（Convexity） 是决定问题“难易程度”的核心属性。凸优化问题具有全局最优解可高效求解的优良性质，而非凸问题则充满局部极小值、鞍点等挑战。本文系统讲解凸函数的定义与判别方法、常见凸/非凸函数示例、AI 中非凸优化的典型场景与应对策略，并提供完整的 Python（NumPy  Matplotlib  SciPy / SymPy）代码实现与可视化。

人工智能之数学基础 优化理论：第四章 凸函数与非凸函数

约束优化是优化理论的核心分支，广泛应用于机器学习（如正则化）、经济学（资源分配）、工程设计（结构优化）等领域。本文系统讲解等式约束优化的拉格朗日乘数法、不等式约束的 KKT 条件、L1/L2 正则化与约束形式的等价性，并提供完整的 Python（SciPy  CVXPY  NumPy / Matplotlib）代码实现与可视化。

人工智能之数学基础 优化理论：第三章 约束优化

本文将系统讲解 梯度下降（Gradient Descent, GD）、随机梯度下降（Stochastic Gradient Descent, SGD）、动量法（Momentum）、Nesterov 加速梯度（NAG）、AdaGrad、RMSProp 和 Adam 等主流优化器，揭示其数学原理、收敛特性与适用场景，并提供 从零实现 + PyTorch 对比 的完整 Python 代码与可视化。

人工智能之数学基础 优化理论：第二章 无约束优化

优化（Optimization） 是在给定条件下寻找“最佳”决策的数学过程，广泛应用于机器学习、工程设计、经济学、运筹学等领域。本文系统讲解优化问题的基本要素（目标函数、变量、约束）、局部最优 vs 全局最优、无约束与约束优化方法，并提供完整的 Python（SciPy  CVXPY  Matplotlib）代码实现与可视化。

人工智能之数学基础 优化理论：第一章 优化基础

积分是微积分的两大支柱之一，与导数互为逆运算。定积分不仅用于计算面积、体积，更是概率论中累积分布函数（CDF）的核心工具。本文系统讲解不定积分、定积分、微积分基本定理、数值积分方法，并重点展示其在连续型概率分布（如正态分布、指数分布）中的应用，配套完整的 Python（SciPy  NumPy  Matplotlib / SymPy）代码实现与可视化。

人工智能之数学基础 微积分：第四章 积分应用

微积分中的求导法则是高效计算复杂函数导数的工具箱。本文系统讲解链式法则（Chain Rule）、乘积法则（Product Rule）、商法则（Quotient Rule） 和 隐函数求导（Implicit Differentiation），揭示其数学本质，并提供完整的 Python（SymPy / NumPy）代码实现与可视化示例。

人工智能之数学基础 微积分：第三章 基本法则

多变量微积分研究多元函数（f:Rn→Rm f: \mathbb{R}^n \to \mathbb{R}^m f:Rn→Rm）的变化规律，是机器学习、优化、物理建模和经济学的核心数学工具。本文系统讲解偏导数、方向导数、梯度、Jacobian 矩阵、Hessian 矩阵等关键概念，并提供完整的 Python（NumPy  SymPy  Matplotlib）代码实现与可视化。

人工智能之数学基础 微积分：第二章 多变量微积分

微积分是现代科学与工程的基石，而单变量微积分（函数 f:R→R f: \mathbb{R} \to \mathbb{R} f:R→R）是其最基础、最直观的部分。本文系统讲解导数、微分、基本求导公式、高阶导数、泰勒展开等核心内容，并提供完整的 Python（SymPy  NumPy  Matplotlib）代码实现与可视化。

人工智能之数学基础 微积分：第一章 单变量微积分

在获得样本数据后，我们常需对总体参数做出推断。置信区间（Confidence Interval） 和 假设检验（Hypothesis Testing） 是统计推断的两大支柱。本文将系统讲解其原理、步骤、常见误区，并提供完整的 Python（SciPy / statsmodels）代码实现与可视化。

人工智能之数学基础 概率论与统计：第四章 统计量

参数估计是从观测数据中推断未知分布参数的核心任务。本文系统介绍两种主流方法——极大似然估计（Maximum Likelihood Estimation, MLE） 和 极大后验估计（Maximum A Posteriori, MAP），对比其思想、数学形式、优缺点，并提供完整的 Python 代码实现（含可视化）。

人工智能之数学基础 概率论与统计：第三章 参数估计

概率论中的三大核心定理——贝叶斯定理（Bayes' Theorem）、大数定律（Law of Large Numbers） 和 中心极限定理（Central Limit Theorem, CLT）——构成了现代统计推断、机器学习和数据科学的理论基石。本文将深入讲解这些定理的数学含义、直观解释、应用场景，并提供完整的 Python 代码实现与可视化验证。

人工智能之数学基础 概率论与统计：第二章 核心定理

概率论与统计是数据科学、机器学习、金融工程等领域的数学基石。本文系统介绍随机变量、常见概率分布（高斯/伯努利/多项式）、期望、方差、协方差等核心概念，并提供完整的 Python（NumPy  SciPy  Matplotlib）代码实现。

人工智能之数学基础 概率论与统计：第一章 基础概念

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

腾讯云开发者社区推出了人工智能之数学基础专栏，为你提供了人工智能之数学基础的相关文章，致力于帮助开发者快速成长与发展。

人工智能之数学基础

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐