为了账号安全,请及时绑定邮箱和手机立即绑定
慕课网数字资源数据库体验端
深入AI/大模型必备数学基础3—概率论入门篇-慕课网
为了账号安全,请及时绑定邮箱和手机立即绑定

深入AI/大模型必备数学基础3—概率论入门篇

GuoSr 算法工程师
难度初级
时长 2小时 1分
简介:如果说程序开发的根本在于逻辑,那么AI的“根本”在于数学。AI人才的需求在可预见的多年内还将以爆发的态势增长,但普通程序员困于数学知识的欠缺,多局限在AI应用层开发,在模型的构建、训练、微调、优化以及数据处理、性能评估方面无法突破。现在很多数学教程基于高校高等数学基础设计,对多数开发人员有难度,并且偏离AI实践。鉴于此,本课程严选AI强关联数学干货,降低学习门槛、可视化呈现、数学与代码结合的程序员友好课程设计,广泛覆盖AI所必备的数学基础,旨在消除程序员在深入AI领域的数学屏障,无论你是想夯实数学基础,还是深耕AI领域,这门课程都将是你的首选。本课程是数学基础系列的概率与统计部分,概率与统计为人工智能提供了理论支撑,让我们真正理解人工智能的数学逻辑与运行机制。

第1章 概率论基础:从不确定性到量化认知

概率与统计为人工智能提供了理论支撑,让我们真正理解人工智能的数学逻辑与运行机制。本章将带领我们进入概率论的世界,探索如何科学地度量与处理不确定性——这一机器学习与数据分析中的核心概念。我们将从概率的直观理解出发,厘清基本术语,并认识频率学派与贝叶斯学派这两种核心思想。随后,课程将引入随机变量这一关键工具,并深入探讨多随机变量间的联合概率、条件概率等关系及其独立性。通过经典实例,我们将把抽象理论具象化,为构建概率模型、理解复杂算法奠定坚实的基石。

第2章 从随机变量到经典离散模型

本章将从机器学习的分类问题引入,深入探讨随机变量的数字特征,如期望、方差与标准差。核心在于理解概率分布这一描述随机现象的关键工具,并厘清PMF、PDF、CDF三大函数。我们将系统学习几种至关重要的离散型分布:用于二分类的伯努利分布、扩展至多次试验的二项分布,以及处理多分类问题的多项分布。这些分布是构建分类模型、进行统计推断的基石,为后续学习提供核心建模工具。
课程须知
课程适合:数学基础薄弱、缺乏实践的同学、想转AI专业以及有意转型AI领域的开发人员、想深入大模型原理,想对大模型微调,上下文学习,PromptEngineering,和想训练自己的大模型,有更高追求的同学。 学前技术储备:了解python语法最佳。
老师告诉你能学到什么?
构建起概率论的核心知识框架,不仅从频率派与贝叶斯派理解了不确定性的本质,更掌握了随机变量、数字特征及多变量关系这些关键分析工具,在此基础上系统学习了伯努利、二项、多项分布等经典离散概率模型,从而理解机器学习分类任务中的直接应用。
友情提示:

您好,此课程属于迁移课程,您已购买该课程,无需重复购买,感谢您对慕课网的支持!