写在前面的话

人工智能作为当前比较热门的技术，想要学好并不容易，一般的程序员不容易顺利进入人工智能的研究领域，因为人工智能技术不仅仅需要有较强的编程能力，还需要有一定的数学功底，希望本专栏的课程可以帮助大家顺利进入人工智能领域的大门，当然人工智能的理论博大精深，绝不是这一个专栏就可以讲清楚的，本专栏会选择比较简单、易懂的概念和模型，帮助大家理解人工智能的基本原理，梳理好相关的概念，为以后的转型打好基础。在学习人工智能算法之前，你至少需要掌握：至少一门编程语言（这里推荐Python）；高等数学函数、微积分；概率论；线性代数或者矩阵论的内容。

对于Python，需要掌握它的基本语法、Numpy模块、matplotlib模块、Pandas模块的使用。

对于数学，无需从头开始学习完整的数学体系，你只需要重点知道：

导数、求导、单调性、函数凹凸、泰勒级数展开式、极值判断、偏导数、随机事件概率、贝叶斯公式、随机变量、期望方差、常用概率分布、随机向量、最大似然估计、协方差矩阵、雅可比矩阵、拉格朗日乘数法、梯度向量、向量运算、行列式、二次型、特征值和特征向量、矩阵正定性、奇异值分解、共轭梯度法、矩阵范数。

线性代数部分需要重点把握，因为很多算法输入的数据都是特征向量，很多算法最终都会转换成求解特征值和特征向量的问题，比如处理图像数据时，黑白图像本质就是2维数据，彩色图像本质就是3维数据。

掌握线性代数、微积分、概率论和一些优化算法知识，就可以让你能够看懂大部分算法的原理。常用的算法和对应的数学知识如下表：

常用算法	所有数学知识
决策树（DT）	概率、熵、Gini系数
KNN算法	距离函数
贝叶斯分类器	随机变量、贝叶斯公式、正态分布、最大似然估计
流形学习	最优化、流形、图、特征向量特征值
随机森林（RF）	抽样、方差
支持向量机（SVM）	强对偶、拉格朗日对偶、KKT条件、凸优化、核函数、Mercer条件
主成分分析（PCA）	协方差矩阵、散度矩阵、拉格朗日乘数法、特征向量特征值
线性判别分析	散度矩阵、逆矩阵、拉格朗日乘数法、特征向量特征值
Logistic	概率、随机变量、最大似然估计、梯度下降法、凸优化、牛顿法
人工神经网络（ANN）	梯度下降法、链式法则
卷积神经网络(CNN)	梯度下降法、链式法则
循环神经网络(RNN)	梯度下降法、链式法则
K-means算法	距离函数
贝叶斯网络	图、条件概率、贝叶斯公式
隐马尔可夫模型（HMM）	拉格朗日乘数法、概率、离散随机变量、条件概率、最大似然估计
生成对抗网络(GAN)	梯度下降法、链式法则、极值定理、条件分布、测地距离