[廣宣學堂] 深入機器之心：機器學習裡的數學

在深入機器學習的歷程中，常常會遇到數學上的問題，可能是學生時期早已忘記的數學工具，或是看起來要很久花時間研究的數學知識。很多學習者看到數學式子，就只能當作天書跳過去。但可惜的是，很多時候精髓是以數學來做精準的描述語言。欠缺數學技能，就很難直接領會，只能被動接受簡化、或是二手的資訊。

其實機器學習需要的基本數學不如想像中複雜，只需要一些小小複習、或提點，就能有基礎入門的能力，甚至後續有能力自修。其實，不是每個人都是數學家，但想深入機器學習的領域，一些基礎的數學知識會是很有幫助的。

本課程便是在這個需要中誕生，廣宣學堂邀請到同時精通機器學習、與數學基礎的高手，用扼要簡單的語言，試著帶您一起綜覽幾個機器學習重要的議題，並透過這個過程，將幾個關鍵領域，包括線性代數、機率統計、與多變量微積分的基礎觀念建立起來，六小時有效率的課程、節省耗時學習的時間，讓您對這些數學脈絡有所概念、打通任督二脈。

現場學習、馬上提問，疑惑馬上澄清。搞懂很多過去的迷惑、讓數學成為您比人更具競爭力的資產，練功一下、機會難得。

課程內容

數學基礎 : 需要高中以上的數學知識

1. 理解主成分分析(PCA) : 從線性代數看機器學習

    向量與矩陣 / L1 L2 Norm 向量距離 / 特徵向量與特徵值 /主成分分析  

2. 認識最大似然估計 (Maximum Likelihood) : 從機率統計看機器學習

    小酌貝氏定理 / 標準分布的意義 / 蒙地卡羅方法: 認識隨機性的力量 / 最大似然估計的解釋

3. 解析反向傳播與自動微分 : 從多變量微積分看機器學習

    單變數函數微分 / 偏微分與梯度的意涵 / 矩陣梯度 / 反向傳播與自動微分解析

4. 其他最佳化技巧與演算法

    認識其他可能的流派與脈絡