1）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。
二、概率论和贝叶斯先验
1、本福特定律（05：40）
2、概率公式（23：45）
3、贝叶斯公式的应用（28：14）
4、贝叶斯公式（28：38）
5、两点分布（33：02）
6、二项分布（34：38）
7、泊松分布（45：08）
8、均匀分布（48：09）
9、指数分布（48：52）
10、正态分布（53：50）
11、Beta分布（61：48）
12、指数族（82：35）
13、事件的独立性（95：08）
14、期望（97：15）
15、方差（103：53）
16、切比雪夫不等式（137：38）
17、大数定律（138：40）
18、中心极限定理（143：51）
三、矩阵和线性代数
1、SVD的提法（04：01）
2、方阵的行列式（16：57）
3、代数余子式（17：58）
4、伴随矩阵（19：26）
5、方阵的逆（20：03）
6、范德蒙行列式（20：18）
7、矩阵的乘法（25：20）
8、矩阵模型（26：12）
9、概率转移矩阵（31：58）
10、平稳分布（37：37）
11、矩阵和向量的乘法（41：21）
12、矩阵的秩（46：02）
13、向量组等价（52：03）
14、系数矩阵（54：02）
15、正交阵（56：39）
16、特征值和特征向量（59：55）
17、白化/漂白（71：39）
18、正定阵（77：35）
19、标准正交基（82：21）
20、QR分解（84：29）
21、LFM（91：31）
22、向量的导数（94：05）
23、标量对向量的导数（100：46）
24、标量对方阵的导数（101：20）
2）用自己的话总结“梯度”，“梯度下降”和“贝叶斯定理”，可以word编辑，可做思维导图，可以手写拍照，要求言简意赅、排版整洁。
答：梯度是一个向量；每个元素为函数对一元变量的偏导数；它既有大小（其大小为最大方向导数），也有方向。在机器学习过程中，经常使用梯度下降方法求解损失函数的最小值。梯度的值为函数在某一点，沿着各向量方向的偏导数。沿着梯度相反的方向，函数减小最快，更容易找到函数的最小值。
梯度下降是优化算法的一种，其思想是让损失函数沿着梯度的方向下降， 以最快的速度取到最小值。
贝叶斯定理：
贝叶斯公式：
贝叶斯定理是关于随机事件A和B的条件概率（或边缘概率）的一则定理。其中P(A|B)是在B发生的情况下A发生的可能性。贝叶斯定理，它提供的是一种逆条件概率的方法。
