因為要學機器學習深度學習之類的，那麼對數學基礎有要求。但是我大學學了高數後我就沒怎麼用過（至少沒用過偏導之類的），撓頭。那麼就是為了複習，然後重新構建知識譜圖，因為筆記丟了（目移），所以會借用一些資料的筆記。
順序大概就是學機器學習深度學習接觸的數學知識，分類後畫AI相關的數學圖，大概學完最基礎的就會發圖（？），一些paper涉及到的數學推導會重新加入到建立完的數學圖，然後進行顏色標識。
在寫數學知識的時候，還有可能會寫一下公式，公式不一定要記（畢竟我也是新手），但是一定要理解。
學習演算法參考的連結：
ShowMeAI知識社群
只看自己看得懂的。
K近鄰演算法涉及到的：
曼哈頓距離，LP距離，歐式距離，切比雪夫距離。
向量和向量空間是線性代數的，由於在我的線性筆記找不到向量的相關概念，所以參考了一些連結：
【線性代數】矩陣、向量、行列式、特徵值與特徵向量（掌握這些概念一篇文章就夠了）_矩陣自由向量-CSDN部落格
線代複習筆記 (三) 向量空間R^n及其線性變換 - 知乎 (zhihu.com)
博主還給了一些相關連結，這裡不再貼出。
（如果找到很喜歡的文章想要記錄，直接列印成pdf就好了）
這裡只是寫一下一些相關。
LP距離公式的引數如下：
看懂了引數的定義後，然後就很簡單了。
這些引數同樣可以套在其他距離公式裡面。
損失函式相關：
二元交叉熵損失。
上圖是gpt給出的公式，當然只是看看就可以了。showmeai給出的解釋更好，這裡就不貼了。
損失函式正則化：
這裡加上了一個正則化處理，只是提一下。
to be contiune.