常见情况：您尝试进入机器学习和数据科学领域，但数学太多了。

要么你从未学过这门数学，要么你学过它很久了，你已经忘记了这一切。

你是做什么工作的？

好吧，我的朋友们，这就是我创建这门课程的原因。

概率是数据科学和机器学习最重要的数学先决条件之一。它需要从根本上了解我们所做的一切，从最新的 LLMs ChatGPT 到 Stable Diffusion 和 Midjourney 等扩散模型，再到统计学（我喜欢称之为“概率第 2 部分”）。

马尔可夫链是概率中的一个重要概念，构成了隐马尔可夫模型（应用于语音识别、DNA 分析和股票交易）和马尔可夫决策过程或 MDP（强化学习的基础）等流行模型的基础。

机器学习（统计学习）本身具有概率基础。特定模型，如线性回归、K-Means 聚类、主成分分析和神经网络，都使用概率。

简而言之，概率是无法避免的！

如果您想进行机器学习，而不仅仅是从博客和教程中复制库代码，您必须知道概率。

本课程将涵盖您在本科水平的概率课上学到的所有内容（可能更多）。这包括随机变量和随机向量、离散和连续概率分布、随机变量函数、多元分布、期望、生成函数、大数定律和中心极限定理。

最重要的定理将从头开始推导。不用担心，只要满足先决条件，它们就不会难理解。这将确保您在该学科方面拥有最坚实的基础。不再记住“规则”，只是为了将来错误/不适当地应用它们！本课程将为您提供对概率的深刻理解，以便您可以正确有效地将其应用于数据科学、机器学习等领域。

准备好了吗？

我们走吧！

建议的先决条件：

• 微分微积分、积分微积分和向量微积分

• 线性代数

• 对大学/学院水平的数学总体熟悉程度