第二章 微积分基础
函数求导,求积分,常用参数列表,进一步引深能干什么
第三章 概率论与数理统计基础
第四章 线性代数基础
行列式使用,P117如何使用矩阵秩求解线性方程;特征值求解,矩阵P131页,例4-37;奇异值分解应用于图像压缩。
第五章 插值法
基本概念:误差的形成及其分析;插值法:拉格朗日插值法(Lagrange)、牛顿插值法(Newton):函数拟合、求解多项式、数据预测、数据补全。
第六章 多元统计分析
一元线性回归:函数参数估计;机器学习:分类、聚类,k-means原理、支持向量机原理
补充内容
机器学习案例,数据的使用:数据分析与挖掘、数据获取、相关性分析、降维、划分训练集。