一、函数单调性的判别 二、曲线的凹凸性与拐点 三、函数图形的描绘

一、函数的极值及其求法 二、函数的最大最小值问题

一、 二阶线性微分方程解的结构 二、 二阶常系数齐次线性微分方程 三、 二阶常系数非齐次线性微分方程

• 贝叶斯规则 • 基于观察值，将类先验概率 和类条件密度转化为后验概率 • 贝叶斯决策 • 最小化总风险 • 最小化误差概率：选择最大后验概率的类别 • 贝叶斯决策是理论上的最优决策，贝叶斯风险是理论上的最小风险 • 判别函数 • 判决区域和判决边界 • 多元高斯概率密度函数 • 假设类条件概率密度满足高斯分布 • 判别函数 • 判决面

一、有理函数的概念 二、有理函数的分解 三、有理函数不定积分的求解 四、可化为有理函数的不定积分

本章主要内容： · 单因素优选法：黄金分割法、平分法、分数法。 · 多因素降维法：等高线法、纵横对折法、平行线法。 · 各种优选法的应用范围和适用条件

一、拉普拉斯方程定解问题分离变量求解 二、高维混合问题分离变量求解

Ø数值积分基本概念 Ø插值型求积公式 Ø求积分的蒙特卡罗方法 Ø复合求积公式 Ø高斯型数值求积公式 Ø龙贝格外推计算公式

一、 导数的四则运算法则 二、 反函数的求导法则 三、 复合函数的求导法则 四、 隐函数的导数 五、 由参数所确定的函数的导数

第一部分 深度学习基础 第1章 什么是深度学习 第2章 神经网络的数学基础 第3章 神经网络入门 第4章 机器学习基础 第二部分 深度学习实践 第5章 深度学习用于计算机视觉 第6章 深度学习用于文本和序列 第7章 高级的深度学习最佳实践 第8章 生成式深度学习 第9章 总结