# 数学 → AI → 大模型 → 量化 知识体系

**版本:** v1
**创建时间:** 2026-05-30
**前置知识:** 高中数学、基础编程（Python）

## 概述

本知识体系从**高等数学通识**出发，系统性地构建从数学基础到人工智能、再到大模型与量化应用的全链路认知框架。知识体系分为四大层级：

1. **数学基础层** — 高等数学、线性代数、概率统计、最优化理论，为 AI 提供数学语言
2. **AI核心层** — 机器学习、深度学习、神经网络，连接数学与智能算法
3. **大模型层** — Transformer 架构、预训练与微调、推理与对齐，当前 AI 前沿
4. **量化应用层** — 金融量化中的 AI 方法，将前述知识应用于实际投资分析

每个知识点标注前置依赖关系，支持按路径系统化学习。

## 知识点目录

### 一、数学基础（入口）

1. **高等数学通识（微积分）**
   - 前置: 高中数学
   - 应用: 梯度下降、反向传播、连续优化
2. **线性代数**
   - 前置: 高等数学
   - 应用: 神经网络的矩阵运算、词嵌入、注意力机制
3. **概率论与数理统计**
   - 前置: 高等数学
   - 应用: 贝叶斯推断、最大似然估计、A/B测试
4. **最优化理论**
   - 前置: 高等数学、线性代数
   - 应用: 模型训练中的损失函数优化、SGD及其变体

### 二、AI核心（机器学习 → 深度学习）

5. **机器学习基础**
   - 前置: 概率统计、线性代数
   - 应用: 分类、回归、聚类、推荐系统
6. **神经网络基础**
   - 前置: 线性代数、最优化理论
   - 应用: 图像识别、自然语言处理基础
7. **深度学习架构**
   - 前置: 神经网络基础、微积分
   - 应用: CNN（图像）、RNN/LSTM（序列）、GNN（图数据）
8. **表征学习与特征工程**
   - 前置: 深度学习架构
   - 应用: AutoEncoder、word2vec、对比学习

### 三、大模型层

9. **序列建模与Attention机制**
   - 前置: RNN/LSTM、线性代数
   - 应用: 机器翻译、文本摘要
10. **Transformer 架构**
    - 前置: Attention机制、深度学习架构
    - 应用: GPT、BERT、ViT
11. **预训练与微调**
    - 前置: Transformer、最优化理论
    - 应用: 指令微调、RLHF、LoRA
12. **大模型推理与对齐**
    - 前置: 预训练与微调
    - 应用: Chain-of-Thought、RLHF安全对齐、RAG

### 四、量化应用层

13. **金融时间序列分析**
    - 前置: 概率统计、深度学习
    - 应用: 股价预测、波动率建模
14. **量化策略与因子模型**
    - 前置: 时间序列分析、机器学习
    - 应用: 多因子选股、统计套利
15. **AI在量化中的应用**
    - 前置: 大模型、量化策略
    - 应用: 舆情分析（NLP）、另类数据挖掘、智能交易信号

## 学习路径

**主路径（推荐）：** 1 → 2 → 3 → 4 → 5 → 6 → 7 → 9 → 10 → 11 → 12 → 13 → 14 → 15

**分支路径：**
- 侧重量化实战: 5 → 8 → 13 → 14 → 15（绕过纯大模型方向）
- 侧重大模型研发: 6 → 7 → 9 → 10 → 11 → 12（绕过量化应用）

## 版本历史

| 版本 | 日期 | 说明 |
|------|------|------|
| v1 | 2026-05-30 | 初始版本，完整四层知识体系框架 |