基础知识

数学基础

• 线性代数：向量、矩阵、特征值、矩阵分解。
• 概率统计：条件概率、贝叶斯公式、常见分布、期望和方差。
• 优化方法：梯度下降、学习率、正则化、凸优化基础。

机器学习基础

• 监督学习：分类、回归、损失函数和模型评估。
• 无监督学习：聚类、降维和异常检测。
• 特征工程：特征选择、特征变换、归一化和缺失值处理。

深度学习基础

• 神经网络：前向传播、反向传播、激活函数。
• 训练技巧：BatchNorm、Dropout、权重初始化、优化器。
• 常见结构：CNN、RNN、Transformer。