1 前言
2 基本数学
2.1 基本思想
2.1.1 二进制
2.1.2 取余
2.1.3 迭代法
2.1.4 数学归纳法
2.1.5 递归
2.1.6 排序
2.1.7 组合
2.1.8 动态规划
2.1.9 树
2.1.10 图
2.1.11 总结
3 高等数学
3.1 线性代数
3.1.1 线性代数应用
3.1.2 向量空间（可用于大数据检索）
3.1.3 文本检索（可用于自然语言）
3.1.4 矩阵（可用于推荐算法）
3.1.5 线性回归（可用于机器学习）
3.1.6 PAC 主成分分析（可用于机器学习）
3.1.7 奇异值分解
3.1.8 总结
3.2 统计数学
3.2.1 概率与统计
3.2.2 概率基础
3.2.3 朴素贝叶斯（可用于过滤垃圾短信）
3.2.4 文本分类（可用于潜在语义分析）
3.2.5 文本聚类（可用于潜在语义分析）
3.2.6 语言模型（可用于机器学习）
3.2.7 马贝尔科夫链（可用于机器学习）
3.2.8 信息熵（可用于自然语言）
3.2.9 决策树
3.2.10 熵、信息增益和卡方（可用于自然语言）
3.2.11 规划和标准化（可用于机器学习）
3.2.12 特征选择和降维（可用于机器学习）
3.2.13 总结
3.3 离散数学
3.4 组合数学
3.5 高阶数据结构与算法
3.5.1 拓扑排序
3.5.2 最短路径算法（可用于地图规划）
3.5.3 位图（可用于爬虫）
3.5.4 统计问题
3.5.5 向量空间（可用于推荐和检索）
3.5.6 索引（可用于实现各种索引）
3.5.7 并行算法
3.5.8 总结
