因为要学机器学习深度学习之类的，那么对数学基础有要求。但是我大学学了高数后我就没怎么用过（至少没用过偏导之类的），挠头。那么就是为了复习，然后重新构建知识谱图，因为笔记丢了（目移），所以会借用一些资料的笔记。
顺序大概就是学机器学习深度学习接触的数学知识，分类后画AI相关的数学图，大概学完最基础的就会发图（？），一些paper涉及到的数学推导会重新加入到建立完的数学图，然后进行颜色标识。
在写数学知识的时候，还有可能会写一下公式，公式不一定要记（毕竟我也是新手），但是一定要理解。
学习算法参考的链接：
ShowMeAI知识社区
只看自己看得懂的。
K近邻算法涉及到的：
曼哈顿距离，LP距离，欧式距离，切比雪夫距离。
向量和向量空间是线性代数的，由于在我的线性笔记找不到向量的相关概念，所以参考了一些链接：
【线性代数】矩阵、向量、行列式、特征值与特征向量（掌握这些概念一篇文章就够了）_矩阵自由向量-CSDN博客
线代复习笔记 (三) 向量空间R^n及其线性变换 - 知乎 (zhihu.com)
博主还给了一些相关链接，这里不再贴出。
（如果找到很喜欢的文章想要记录，直接打印成pdf就好了）
这里只是写一下一些相关。
LP距离公式的参数如下：
看懂了参数的定义后，然后就很简单了。
这些参数同样可以套在其他距离公式里面。
损失函数相关：
二元交叉熵损失。
上图是gpt给出的公式，当然只是看看就可以了。showmeai给出的解释更好，这里就不贴了。
损失函数正则化：
这里加上了一个正则化处理，只是提一下。
to be contiune.
