机器学习是人工智能的一个分支，主要是设计和分析一些让计算机可以自动“学习”的算法，这些算法可以从数据中自动分析获得规律，并利用规律对未知数据进行预测。当前，机器学习已广泛应用于计算机视觉、自然语言处理、生物特征识别、战略游戏和机器人等领域。

本课程首先介绍了一阶优化法（梯度下降法）的流程，并对比讲解了需要计算二阶导数的二阶优化法（牛顿法）；接着解释了向量及其相关概念，比如：矩阵、标量、张量等；然后是神经网络，展示了4种类型神经网络的构建并讲解了它背后数学原理；接着介绍了用于发现数据中非线性和非局部的关系的降维，包括：特征选择、特征提取、主成分分析等内容；最后通过垃圾邮件分类器的案例展示了概率论在机器学习的应用，同时对比了几种模型调参的策略。

【课程目标】

了解机器学习背后的数学原理

掌握向量、神经网络、降维等概念相关的知识

【适用对象】

AI开发者、学生

【课程大纲】