MTH129 数学科学人工智能导论

Introduction to AI for Mathematical Sciences

课程讲解

本课程深入解析神经网络实现原理，从神经元基础与数学表达切入，通过前向传播与反向传播的详细剖析，结合Sklearn实战演练，带你掌握从数据清洗、模型构建到性能评估的全流程，助你深刻理解并应用深度学习技术解决复杂的回归与分类任务。

24-25

深入解析深度学习基石反向传播算法，从链式法则与计算图底层逻辑出发，通过Sigmoid函数拆解及代码向量化实战，带你彻底吃透梯度流动机制，掌握模型参数高效优化的核心数学原理。

24-25

本课程深入剖析深度学习的数学根基，从神经元模型与人工神经网络的演进出发，详解反向传播、激活函数及卷积神经网络等核心机制，助你从线性代数与概率统计视角透彻理解神经网络优化、泛化及复杂规律拟合的底层逻辑，掌握驱动现代AI技术的数学引擎。

24-25

本节课深入解析逻辑回归的核心原理，从Sigmoid函数映射到极大似然估计，全面阐述如何利用梯度上升法寻找最优决策边界，带你掌握分类问题的完整建模流程与概率化解释思路。

24-25

本课程深入剖析加权最小二乘法与广义线性模型，通过数学推导揭示权重分配与分布假设如何修正异方差及非正态数据的建模偏差，助你掌握从经典统计回归到深度学习映射机制的核心方法论。

24-25

深入剖析统计建模核心，从正态分布与似然函数出发，推导极大似然估计与最小二乘法的数学原理，揭示两者在高斯噪声假设下的等价性，并结合马氏距离与几何视角，探讨如何通过概率分布假设优化模型参数估计，提升人工智能算法的建模科学性。

24-25

深入剖析机器学习基石线性回归与最小二乘法，从数学定义、矩阵化推导到正规方程求解，带你构建从统计学理论迈向人工智能应用的严谨逻辑，深度解读如何通过误差最小化捕捉数据内在规律并实现精准预测。

24-25

本课程深入探讨人工智能的数学底层逻辑，系统讲解多元微积分与概率论核心工具，通过向量求导、链式法则及分布模拟等实战演练，结合NumPy与SymPy库，带你建立从理论推导到代码实现的完整科研范式，夯实驱动现代机器学习模型优化的数学基石。

24-25

本课程深入解析人工智能底层的线性代数核心，从向量、矩阵运算到特征值分解与奇异值分解，带你通过NumPy编程实现从理论推导到数据建模的跨越，夯实机器学习的数学地基。

24-25