线性代数
数学的一个分支，研究向量空间、线性变换、矩阵运算等，是机器学习和深度学习的核心数学基础之一
时间轴 (近 90 天)
对AI学习者来说，花时间打牢线性代数基础，长期回报远高于追逐新框架。
很多AI论文和教材默认读者已经掌握了投影、正交基、低秩近似等线性代数概念。
线性代数是描述AI中“表示”这一核心概念最自然的工具。
组织者仍在讨论线性代数到底需要多深，但明确表示不想挖太深，以保持入门门槛可接受。
数学方面，微积分 I 是要求之一，微积分 II 可选但对理解序列有帮助；线性代数只要求基础水平。
AI/ML岗位对数学基础（线性代数、概率统计）和算法原理有扎实要求，仅靠调用现成的库很难走远
对于机器人视觉学习者，线性代数应作为最高优先级学习的数学课程
线性代数与微积分的依赖关系很弱，完全可以在打好预备微积分基础后立即开始线性代数
AI/ML所依赖的数学主要集中在线性代数、微积分、概率论与统计、优化理论四大领域
对机器学习而言，线性代数比微积分更为关键，是使用频率最高的数学分支
还有 7 条时间轴事件
全部知识事实 (16)
深度学习所需的数学主要集中在三个领域：线性代数、微积分和概率论
60%待验证对AI学习者来说，花时间打牢线性代数基础，长期回报远高于追逐新框架。
50%待验证很多AI论文和教材默认读者已经掌握了投影、正交基、低秩近似等线性代数概念。
50%待验证线性代数是描述AI中“表示”这一核心概念最自然的工具。
50%待验证数学方面，微积分 I 是要求之一，微积分 II 可选但对理解序列有帮助；线性代数只要求基础水平。
50%待验证AI/ML岗位对数学基础（线性代数、概率统计）和算法原理有扎实要求，仅靠调用现成的库很难走远
50%待验证对于机器人视觉学习者，线性代数应作为最高优先级学习的数学课程
50%待验证线性代数与微积分的依赖关系很弱，完全可以在打好预备微积分基础后立即开始线性代数
50%待验证AI/ML所依赖的数学主要集中在线性代数、微积分、概率论与统计、优化理论四大领域
50%待验证线性代数与微积分的依赖关系很弱，可以在打好预备微积分基础后立即并行开始线性代数
50%待验证对机器学习而言，线性代数比微积分更为关键，是使用频率最高的数学分支
50%待验证全连接层的前向传播本质上是矩阵乘法加偏置（y=Wx+b），卷积操作可被重新表述为Toeplitz矩阵的乘法
50%待验证线性代数、概率论、微积分与最优化理论是理解AI模型运作机制的基础
50%待验证线性代数中的矩阵运算和向量空间是理解神经网络和降维算法的关键
50%待验证线性代数中的矩阵运算支撑机器学习中从数据表示到模型参数更新的几乎所有环节
50%待验证几乎所有机器学习方法的底层都是线性代数，PCA本质是求解协方差矩阵的特征分解，神经网络前向传播是矩阵乘法，大语言模型注意力机制通过矩阵运算实现
50%