引言
某相关人员盛情邀请我写一本适合算法人员的机器学习数学相关书籍，迟迟没有动手主要有以下两个原因：一方面是怕我写不好，误人子弟；另一方面2018年家里多了个小朋友，非常开心。本人想通过自身写书例子给孩子树立个榜样，也想从另一角度让孩子看到父亲的努力，让小朋友有更好的教育资源。基于以上两个原因，本人终于下定决心写一部关于算法数学理论方面的书籍。经过几个月努力，机器学习数学基础篇终于成形，在这段时间和大家一块工作非常很开心。现在第一本关于机器学习数学的书籍已经完成，希望尽我的微薄之力，给对机器学习和数学有兴趣的同学提供一些帮助。
本课程针对的人群是一些想了解人工智能数学原理的开发或者研究者，主要涉及到代数、概率论、优化三个部分，从最基本的定义、定理、推论、借助实例，带领大家研读模型背后的数学推导及算法流程的实现，让大家知其然知其所以然。
第一部分主要讲解代数部分，包括导数、特征值、数据降维、矩阵分解、谱聚类、分块矩阵；
第二部分主要讲解概率相关内容，包括条件概率、贝叶斯公式、常见函数分布、大数定理、蒙特卡罗和Gibbs抽样、非参估计、CRF应用等；
第三部分主要是讲解优化部分，包括带约束与不带约束优化概述、牛顿法、共轭梯度法、凸优化概述、SVM应用等；
我们期望由浅入深讲解每个数学知识点，同时辅以大量例子代码，期望能通过公式和例子将每个知识点讲解好。
本次课程是初级课程，初级版本目的是希望大家从直观上对数学在机器学习中如何应用有个初步的认识，后续还有有高级课程会介绍最先进state of the art技术（deepfake，resnet，transformer, BERT，wavenet等），我们通过高级版给大家真正实战性的理论与实验过程，希望通过一系列的过程，让大家爱上各门数学的理论与应用，给出真正应用数学的落地，使大家爱上数学。
当然，由于时间和技术等方面的限制，难免在写书籍方面有不足和错误之处，希望大家见谅。