是什么
L1 · 领域总览
基础理论
基础理论是AI与数据科学的知识底座，决定算法理解深度与工程实践上限。
3下属主题
先记住总览页只负责定向
细节去下属主题页学习。
为什么
掌握基础理论能帮助开发者、研究员与工程师深入理解算法本质，提升模型调优能力，避免盲目试错，适用于所有希望构建或优化AI系统的从业者。
怎么做
建议从数学基础入手，建立线性代数、概率统计与优化理论的认知框架，再逐步过渡到机器学习与深度学习的算法原理与应用实践。
什么时候
应在接触具体AI项目前优先学习；若已具备工程经验但缺乏理论支撑，可在遇到模型瓶颈时回溯补强。
FOCUS
下属主题
PROBLEM / POSITION / INTERFACE
先弄清它为什么存在，以及谁在使用
-
01 解决的问题
当需要理解AI模型内部机制或优化算法性能时
缺乏理论支撑会导致调参盲目、模型不可解释、难以应对复杂场景
- 成功标准
- 能够独立推导核心公式、分析模型行为并设计合理实验验证假设
-
02 AI 生态位
作为AI系统的底层逻辑引擎，连接数据输入与智能输出
- 上游
- 依赖数学工具、计算资源与领域知识
- 下游
- 为机器学习、深度学习及各类AI应用提供理论依据
-
03 人的生态位
人类通过理论指导算法设计、评估模型表现并制定优化策略
- 适合使用
- 需要深入理解模型机制或进行算法创新时
- 不必使用
- 仅需快速部署成熟模型或进行简单数据处理时
-
04 独特价值
提供可解释、可推导、可复现的智能系统构建方法论
理论抽象度高，需跨学科知识融合与大量实践验证
- 复杂度判断
- 复杂度不是功能数量，而是控制与验证成本。
INTERFACE FLOW
谁在操作，信息怎样流动
-
WHO OPERATES
HUMAN负责理论推导、模型选择与结果验证
SYSTEM执行算法计算与参数优化
-
INPUT
结构化数据、数学表达式与算法约束条件
-
CONTROL
学习率、正则化参数、损失函数与优化器配置
-
OUTPUT
模型权重、性能指标与可解释性分析报告
COMPARE
下属主题怎么区分
| 维度 | 数学基础 | 机器学习 | 深度学习 |
|---|---|---|---|
| 核心问题 | 如何用数学语言描述数据与模型 | 如何从数据中学习规律并做出预测 | 如何构建复杂非线性映射与层次化特征 |
| 典型方法 | 矩阵运算、概率分布、梯度下降 | 线性回归、决策树、支持向量机 | 卷积网络、循环网络、Transformer |
| 适用场景 | 所有AI任务的底层支撑 | 结构化数据、中小规模数据集 | 图像、语音、自然语言等非结构化数据 |