Mathematical Foundations of Artificial Intelligence (Micro-lectures + Python Edition)

为什么值得读

学习AI时最常见的困难，不一定是找不到教程，而是每读一篇教程都遇到一组似曾相识的数学符号：梯度、特征向量、期望、熵、矩阵分解。只记住结论容易继续往下看，却很难判断结论何时成立。《人工智能数学基础》的阅读价值，是把这些零散知识重新连接到模型学习中的具体问题，让数学不再只是入门之前必须越过的一堵墙。它适合作为补基础的工作台，而不是用来证明自己已经读完多少高级概念。

书目与定位

本条介绍陶玉婷、张燕编著，清华大学出版社于2025年2月1日出版的《人工智能数学基础》，ISBN为9787302683629。全书13章，以数学概念及其AI应用为主线，并配有Python案例。出版社介绍列出38个案例；这表示书中提供了练习材料，不意味着读者可以不理解公式就直接获得工程能力。本书属于数学与AI应用衔接型教材，不是某一种大模型产品的操作教程。

可以重点学习什么

内容涉及微积分、线性代数、概率统计，并连接优化、矩阵分解、线性模型、信息度量和模型评价等问题。建议阅读时把数学对象翻译成实际意义：向量可以描述样本，矩阵可以组织数据，概率可以表达不确定性，优化则处理“怎样让目标变得更好”。这种对应关系比单独记公式更重要。遇到一个新定义时，先找一个二维或三维的简单例子，再考虑高维场景，能减少符号带来的抽象压力。

适合人群与前置条件

适合已经接触Python、希望转向机器学习的开发者，也适合需要回顾数学的学生和跨专业学习者。它并不等于完全零基础的数学启蒙：基本代数运算、函数概念和阅读简单代码的能力仍然很重要。如果看到求和符号、矩阵乘法就完全无法继续，建议先用短课程补齐对应知识，再把本书当成应用索引。对于数学训练较扎实的读者，则可以跳过熟悉部分，直接关注知识如何进入AI问题。

建议的学习方法

先列一张自己的知识缺口表，不必从第一页平均用力。每次选一个概念，按“手算小例子—画图理解—写代码验证—改变条件观察”的顺序完成闭环。例如学习迭代优化时，可以先观察目标值怎样变化，再追问步长过大或起点不同会产生什么影响。不要只复制运行结果：尝试把输入规模缩小，检查每一步的形状和数值，让程序成为验证直觉的工具。学习记录中同时保留成功例子和失败例子，后者更容易揭示你忽略的条件。

使用时要注意的边界

书籍中的Python环境和依赖可能与读者当前环境不同，案例应在隔离的学习环境中逐步验证，不能把“书中给出代码”等同于“所有版本都可直接运行”。配套资料的获取方式以出版社和书内说明为准，不应默认全部资源无需注册即可下载。本书也不能覆盖所有数学方向；如果后续进入严格的学习理论、概率推断或大型优化研究，仍需专门课程和更深入教材。

与其他书怎样搭配

与周志华《机器学习》相比，这本书更适合解决“算法里为什么会出现这个数学工具”；前者则适合继续建立模型与方法的整体结构。与《深度学习》这类综合教材相比，本书可作为阅读前或阅读中的基础补充，而不是替代品。一个务实的路线是：遇到算法推导障碍时定位数学知识，补完后立即回到原问题。读完无需追求记住所有公式，更有意义的目标是能说明一个公式在假设什么、计算什么，以及改变条件后还能不能用。

官方书目信息

出版社书目与内容介绍