《AI数学 • 极简入门教程》面向大一新生或者零基础人群，因为我发现很多人走了弯路，他们一开始会花费大量的时间学习数学知识，因为他们在潜意识里面认为AI的底层是数学，学好AI必须先打好数学基础，实际上这种想法有失偏跛。学习数学知识的目的是为了给深度学习打底子，不是去当数学家。
《AI数学 • 极简入门教程》希望给大家快速入门，这本书通读下来，大约只需要3个小时，你就能搭建起理解AI的核心数学骨架。我的理念是“先跑通再优化”——就像学开车不需要先精通内燃机原理一样，你只需要知道方向盘、油门和刹车在哪，就能先上路。
数学基础这块，千万别一上来就抱着砖头一样的大部头去啃，那样很容易从入门到放弃。当你用这3个小时获得“最小可行知识”之后，再去啃那些厚厚的教材，你会发现每一页都在为你已经建立的骨架填充血肉，那种感觉，就像拼图终于找到了正确的位置。
翻开《AI数学 • 极简入门教程》这本书，你首先会感受到一种松弛感。我们目标明确：是为了给深度学习打底子，不是去当数学家。所以，这本书彻底抛弃了繁复的证明和题海战术，只死死盯住那些真正用得上的核心知识点。你会发现，AI所需的核心数学，远没有想象中庞杂。
在这本书里，数学被重新拆解成了三套好用的工具：
高等数学，是驱动模型学习的一套组合工具。高数的核心有四个：偏导数与梯度告诉你模型该往哪个方向调整，链式法则把调整信号一层层传回去，这就是反向传播的命脉。雅可比矩阵和海森矩阵，不需要你手算，但知道它们的直觉，能帮你读懂优化曲面的形状。最后，泰勒公式让你能用简单的多项式去逼近复杂的损失函数，理解模型在局部是怎么“看”世界的。
线性代数，是你手里最锋利的刀。别看名字唬人，线代的核心就四样。我们从矩阵乘法的几何意义讲起——它本质上就是对向量空间做拉伸和旋转，这其实就是神经网络全连接层在干的活。有了这个地基，再往上走，特征值与特征向量、特征值分解、奇异值分解，这三把刀专门用来给高维数据“拆骨”和“瘦身”，提取出最核心的信息骨架。
概率论，是你戴上的一副眼镜。我们从条件概率这个起点出发，自然引出全概率公式和贝叶斯公式。接着，数学期望、方差与标准差、协方差，帮你建立对数据的基本量感。均匀分布、正态分布、伯努利分布、二项分布，这四个常用分布是你看待世界的四种基本模型。最后，从最大似然估计一路讲到信息熵与交叉熵，你会发现，分类模型天天在算的损失函数，源头就在这里。一旦戴上这副眼镜，原本杂乱的数据和不确定性，会立刻变得清晰、有条理。
学习时请务必放轻松，不用逼自己全部背下来。这本书的理念就是“混个脸熟”，在脑中建立一个大概印象即可。等到后面实际写代码、调模型时再随时回头翻一翻，印象自然会一次比一次深。这，就是极简的力量。