趋近智
机器学习微积分要点
章节 1: 简介：微积分在机器学习中为何重要
机器学习中的函数和模型
机器学习中的优化思想
衡量变化：导数的作用
微积分：理解算法的工具
章节 2: 单变量微积分：导数与优化
理解极限：根本原理
导数的定义
常见求导法则
高阶导数
通过导数求极小值和极大值
实际运用：简单成本函数优化
动手实践：使用 Python 计算导数
章节 3: 多变量微积分：梯度与方向
多变量函数
偏导数
梯度向量
方向导数
海森矩阵
多变量优化原理
NumPy 梯度计算实践
章节 4: 梯度下降算法
梯度下降的直观原理
梯度下降算法的步骤
学习率参数
批梯度下降
随机梯度下降 (SGD)
小批量梯度下降
挑战：局部最小值与鞍点
动手实践：实现简单的梯度下降
章节 5: 链式法则与反向传播
回顾单变量链式法则
多变量函数的链式法则
神经网络作为复合函数的介绍
反向传播：链式法则的应用
计算权重和偏置的梯度
计算图
动手实践：手动反向传播示例
多变量优化原理
这部分内容有帮助吗？
- Mathematics for Machine Learning, Marc Peter Deisenroth, A. Aldo Faisal, and Cheng Soon Ong, 2020 (Cambridge University Press) DOI: 10.1017/9781108679901 - 本书弥合了基础数学与机器学习之间的鸿沟，提供了关于向量微积分、线性代数和优化的专门章节，与理解机器学习中的多元优化直接相关。可在线免费获取。
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) DOI: 10.7551/mitpress/9780262035613.001.0001 - 一本全面的深度学习教材，详细讨论了优化算法、鞍点带来的挑战以及Hessian矩阵在高维参数空间中的计算影响。可在线免费获取。