数据用向量和张量表示。模型用线性变换（权重矩阵）和激活函数（非线性）构建。学习涉及求解线性系统、优化特征方向。理解通过秩、特征值、零空间等概念洞察模型行为。从基础向量到抽象空间，这些概念共同构成了机器学习的数学骨架。掌握它们，不仅能让你看懂算法公式，更能培养深刻的几何直觉，助你在数据科学领域走得更远。上一章机器学习线性代数–(12)抽象向量空间：超越箭头的世界。

微积分是机器学习的数学基石，其核心思想、定理和方法在模型设计、训练和推断中无处不在。下面我们将结合之前讲解的各个概念，逐一总结它们在机器学习中的具体应用。

本文系统讲解了微积分中的链式法则及其在机器学习中的应用。首先介绍单变量链式法则，通过复合函数导数分解演示计算过程。然后扩展到多变量情形，详细阐述偏导数的链式法则公式及其几何意义。重点讨论向量形式的链式法则表示，特别是雅可比矩阵在反向传播中的应用。文章结合神经网络实例，展示链式法则如何支撑反向传播算法的梯度计算，并指出常见错误和注意事项。链式法则作为理解复杂模型梯度的关键工具，是机器学习尤其是深度学

摘要：机器学习中的模型训练依赖于导数及其推广概念来优化损失函数。导数用于一元参数优化和学习率调整；偏导数处理多元参数优化和反向传播；方向导数指导最速下降和对抗攻击；梯度则支撑各类优化算法、收敛判断和模型解释。这些数学工具从不同维度刻画函数变化规律，为模型训练提供理论基础和方法支持。