阶段学习任务单：AI 数学最小必要基础
这个阶段的目标不是把数学学成考试科目，而是让你能看懂 AI 模型背后的核心直觉。你需要理解向量如何表示样本，矩阵如何表示变换，概率如何表达不确定性，梯度如何指导模型更新。
本阶段必须完成的任务
| 任务 | 产出物 | 通过标准 |
|---|---|---|
| 理解向量与矩阵 | 一份向量相似度实验 | 能解释点积、范数、余弦相似度和矩阵乘法 |
| 理解概率与统计 | 一个分布可视化 Notebook | 能解释均值、方差、条件概率和常见分布 |
| 理解信息量与熵 | 一份信息论笔记 | 能说明熵、交叉熵和模型损失的关系 |
| 理解梯度下降 | 一个参数更新可视化实验 | 能解释学习率、梯度方向和收敛过程 |
| 完成阶段项目 | 一个数学直觉可视化小项目 | 能把数学概念连接到 ML、RAG 或 LLM 场景 |
推荐学习顺序
先学习向量和矩阵，再学习概率统计，最后学习微积分和优化。不要一开始追求严密证明，第一遍重点是建立“这些概念在模型里做什么”的直觉。
学数学时建议每个概念都配一个小实验。比如用向量相似度解释检索，用概率分布解释分类置信度，用梯度下降解释模型为什么会逐步变好。
和 AI 学习助手项目的关系
本阶段对应 AI 学习助手的 v0.4 数学解释能力。你可以为学习助手增加一个“概念解释卡”功能：输入一个数学概念，输出直觉解释、AI 场景、简单例子和常见误区。
建议先实现静态模板，不需要调用模型。重点是把抽象数学概念翻译成后续项目能用到的工程语言。
常见卡点
常见问题包括把公式当成孤立记忆、看懂推导但不知道应用场景、把概率和频率混淆、无法理解梯度方向、只会套库不理解指标含义。遇到卡点时，优先回到图形、数值实验和具体 AI 场景。
轻松版 / 标准版 / 挑战版任务
| 难度 | 你要完成什么 | 适合谁 |
|---|---|---|
| 轻松版 | 用代码计算相似度或概率指标 | 第一遍学习、时间少或刚入门的学习者 |
| 标准版 | 比较两个指标并解释差异 | 希望把本阶段放进作品集的学习者 |
| 挑战版 | 把一个指标用手算样例、代码和图示讲清楚 | 已有基础 、想做更强项目证据的学习者 |
本阶段徽章与 Boss 战
| 类型 | 内容 |
|---|---|
| Boss 战 | 指标迷宫 |
| 可解锁徽章 | 向量翻译官、指标解释员 |
| 最小通关口号 | 先跑通、再解释、再记录失败 |
| 证据保存建议 | 把截图、日志、失败样本或评估表保存到 reports/、evals/ 或 logs/ |
完成轻松版就可以继续前进；完成标准版才建议写进作品集；挑战版只在你有余力时再做。
阶段作品集交付物
如果你想把本阶段成果沉淀到作品集，建议至少保留下面这些文件或等价材料。
| 交付物 | 说明 |
|---|---|
vector_similarity.ipynb | 用向量、点积、余弦相似度解释样本相似 |
probability_demo.ipynb | 可视化随机变量、分布、均值、方差和不确定性 |
gradient_descent.ipynb | 展示学习率、梯度方向和收敛路径 |
math_cards.md | 把向量、概率、熵、梯度翻译成 AI 应用直觉 |
reflection.md | 说明这些数学概念如何支撑机器学习、RAG 和大模型 |
这些材料会证明你 不是为了考试学数学，而是能把数学转化成理解模型、调试模型和解释系统的工具。
阶段通关问题
学完后，你应该能回答这些问题：为什么文本和图片可以表示成向量，为什么相似度可以用于检索，概率为什么能表示模型不确定性，交叉熵为什么常用于分类，梯度下降为什么能让模型参数逐步变好。
完成状态 Checklist
- 我能解释向量、矩阵和相似度在 AI 中的作用。
- 我能用图表解释至少一种概率分布和不确定性。
- 我能说明熵、交叉熵和分类损失之间的关系。
- 我能用一个小实验演示梯度下降过程。
- 我已经把至少 3 个数学概念写成自己的 AI 应用解释卡。