1、开篇介绍
很多人学AI、学深度学习、学算法，最大的卡点从来不是框架、不是代码，而是数学基础断层。
高中核心知识点遗忘、大学工科数学没吃透、AI专用数学完全空白，导致看公式看不懂、看梯度推导看不懂、模型优化无从下手。
为此整理了一套从高中起步、直达AI专用数学的完整补全体系，全程分层递进、每日单点突破。后续本公众号将每日更新1个核心知识点+配套习题，跟着节奏稳步补齐AI刚需数学能力。
本文为系列合集开篇总目录，全程可收藏、对照打卡。
2、学习目标和阶段
整套体系完全服务于AI学习，剔除应试偏题、怪题、冷门考点，只保留算法、深度学习、机器学习必备数学内容：
阶段1：高中数学打底（AI入门刚需） 核心掌握：函数、数列、不等式、平面向量、概率统计 弱化放弃：复杂立体几何、圆锥曲线大题、偏门排列组合题型
阶段2：大学工科核心数学（AI三大支柱基础） 核心掌握：高等数学、线性代数、概率论与数理统计
阶段3：AI专用数学（模型落地核心） 核心掌握：矩阵分解、梯度推导、优化算法、信息论基础
3、全体系分阶段学习目录（总纲）
整套内容分为四大阶段，从基础到进阶层层递进，覆盖AI学习全链路数学需求，后续每日更新对应单点知识点+习题。
第一阶段：高中数学基础补全（AI入门地基）
核心定位：扫清AI学习前置障碍，搭建公式、运算、逻辑基础
模块1：函数与基础导数
-
一次/二次函数核心性质：定义域、值域、单调性
-
指数、对数函数：AI损失函数核心基底
-
三角函数基础：sin/cos公式、周期变换（梯度下降前置知识）
-
复合函数、分段函数拆解逻辑
-
极限初步、导数基础定义
-
求导四则运算、常用基础函数求导公式
-
模块错题复盘、公式体系整理
模块2：数列与不等式
-
等差数列、等比数列：通项公式、求和公式
-
数列求和极限：无穷级数前置铺垫
-
均值不等式、绝对值不等式核心应用
-
函数最值求解、基础放缩法
-
简单恒成立问题解题逻辑
-
模块综合题型训练与复盘
-
不等式放缩核心逻辑总结
模块3：平面向量（线性代数前置核心）
-
向量基础：坐标表示、加减运算、数乘运算
-
向量点积、模长、夹角计算（神经网络核心运算）
-
向量线性组合、共线判定条件
-
平面坐标系变换基础
-
向量求解方程组方法
-
向量综合应用题训练
-
向量全模块运算公式梳理汇总
模块4：高中概率统计（机器学习底层逻辑）
-
随机事件、古典概型基础
-
条件概率、概率加法/乘法公式
-
离散随机变量、期望与方差基础
-
频率、样本均值、标准差核心概念
-
直方图、基础概率分布认知
-
概率综合计算题训练
-
高中数学全模块总复盘、薄弱点标记
第二阶段：大学高等数学（微积分｜AI模型优化核心）
核心定位：支撑梯度计算、极值求解、泰勒展开、模型优化，是深度学习核心数学基础
模块1：一元微积分体系
-
极限完整体系、无穷小量、函数连续性
-
高阶导数求解、洛必达法则应用
-
函数凹凸性、极值与最值判定
-
不定积分求解方法、常用积分公式
-
定积分定义、性质与计算
-
微积分基本定理核心逻辑
模块2：多元微积分（深度学习重中之重）
-
多元函数定义、定义域与性质
-
偏导数、全微分求解与几何意义
-
复合函数链式法则（BP反向传播核心）
-
二重积分计算与应用
-
多元函数极值、最值求解
-
拉格朗日乘数法（约束优化核心方法）
第三阶段：线性代数（AI第一核心｜神经网络底层语言）
核心定位：矩阵即神经网络，所有AI模型的运算本质均为矩阵运算
模块1：矩阵基础运算体系
-
矩阵基础：定义、维度、加减、数乘运算
-
矩阵乘法、转置运算规则与性质
-
逆矩阵求解、可逆矩阵判定条件
-
行列式计算、伴随矩阵核心应用
-
线性方程组求解逻辑与方法
模块2：向量空间与矩阵特征体系
-
向量空间、向量线性无关/相关判定
-
矩阵的秩、向量空间基与维度
-
特征值、特征向量求解与性质
-
矩阵对角化原理与应用
-
SVD奇异值分解（PCA降维、数据压缩核心）
第四阶段：概率论与数理统计（AI模型收敛、正则化基础）
核心定位：支撑模型概率分布、损失函数、正则化、参数估计
-
三大核心概率分布：正态分布、均匀分布、伯努利分布
-
随机变量期望、方差、协方差核心计算
-
极大似然估计（模型参数求解核心逻辑）
-
概率统计在AI损失函数、正则化中的应用
4、系列更新说明
本合集将严格按照以上目录每日更新，每一篇内容只聚焦一个核心知识点，搭配：
✅ 通俗概念讲解（零基础能看懂） ✅ AI应用场景说明（学完知道哪里用） ✅ 基础例题+配套练习题（可直接动笔练） ✅ 核心公式总结（可直接收藏背诵）
跟着节奏打卡，稳步补齐AI全套刚需数学，告别“看不懂公式、推不出原理、调不动模型”。
