机器学习中的数学基础

李航 统计学习笔记*（完结）[https://www.cnblogs.com/limitlessun/p/8611103.html#_label0]

第2章 函数求导

2.1 背景介绍

2.2 函数极限

2.3 导数

2.4 复合函数求导

编程实践：BP算法预测波士顿房价

第3章 矩阵论

3.1 背景介绍

3.2 矩阵基本运算

3.3 矩阵范数

3.4 线性方程组求解

3.5 矩阵的秩

3.6 线性空间

3.7 逆矩阵

3.8 矩阵求导

3.10 方阵的特征值与特征向量

3.11 矩阵的奇异值分解

3.12 二次型

编程实践：基于奇异值分解SVD进行智能推荐

第4章 凸优化

4.1 凸函数

4.2 对偶理论

4.3 SVM的对偶求解

编程实践：基于支持向量机 SVM 进行二分类

第5章 概率统计

5.1 背景介绍

5.2 概率基本定义

5.3 随机事件概率的常用性质

5.4 随机事件&随机变量

5.5 随机向量&KL散度

5.6 极大似然估计&朴素贝叶斯

编程实践：基于朴素贝叶斯和拉普拉斯平滑预测乳腺癌

第6章 信息论

1. 背景介绍：以决策树（DT）算法为例

2. 信息论中的基本概念 I：离散随机变量

3. 信息论中的基本概念 II：连续随机变量

编程实践：决策树算法应用于乳腺癌诊断和信用风险评级