数学是机器学习的“隐形引擎”，但公式背后藏着哪些直觉与实战价值？本专栏以轻推导、重逻辑的方式，拆解算法背后的数学本质： 系统化梳理：从向量空间到概率密度，从梯度下降到信息熵，覆盖5大核心领域； 场景化关联：用PCA解释矩阵分解，用SVM推导拉格朗日乘数，直击算法应用场景。
暂无订阅 共4篇文章
创建于2025-04-02
机器学习-数学基础
默认顺序
数学是机器学习的“隐形引擎”，但公式背后藏着哪些直觉与实战价值？本专栏以轻推导、重逻辑的方式，拆解算法背后的数学本质： 系统化梳理：从向量空间到概率密度，从梯度下降到信息熵，覆盖5大核心领域； 场景化关联：用PCA解释矩阵分解，用SVM推导拉格朗日乘数，直击算法应用场景。