足够用于系统补练，并深入许多研究专题。覆盖范围和练习反馈比书单长度更重要。Axler 未覆盖的多项式内容可用 Judson 补充；没有完整官方解答的资料，需要通过讨论、严谨核对与独立重做获得反馈。
本站提供中文导读和自编训练，不转存教材全文。各资料页列出作者、大学或官方项目入口。阅读顺序是本站建议，不是作者指定课程要求。
从向量空间、基与维数，到线性映射、谱定理和奇异值分解。
沿实数、极限、连续与微积分重建分析框架，逐步进入多元分析。
围绕“怎样建模、怎样证明最优、怎样计算”组织学习。先形成可独立使用的工具，再按研究问题深入；本页为中文导读与自编训练，不是全书译文。
把线代、概率、数值计算和优化放回神经网络的研究语境。
把微分方程、概率和采样联系起来，理解连续时间生成模型。
把群作用、不变性与等变性连接到图、网格和几何上的神经网络。
从集中不等式、随机矩阵到泛化分析，进入理论研究常用的证明工具。
围绕熵、KL 散度、互信息和统计推断，建立信息论的研究入口。
围绕回归、分类与模型评估，把数学分析连接到可重复的实验。
补充线代教材之外的代数内容；从环与多项式连接已有的群、环、域知识。
理解为什么正确的数学表达式，在计算机上仍可能产生不可靠的结果。
建立凸集、凸函数、对偶和最优性条件的框架，把模型转化为可分析的问题。
从条件概率到条件期望；先做专题题，再在综合作业中自己判断方法。
把《Reinforcement Learning: An Introduction》第二版组织成能阅读、能推导、能训练、能查用的学习路径。目标是分析问题的能力，不以读完页数或推导速度评价学习效果。
六组本站原创任务，配推导、核对与迁移问题。它们对应主教材的学习阶段，不是 Sutton 与 Barto 的原题或官方解答。先独立写，再阅读解析；数值实验只能核对实例，不能替代一般证明。
读论文时，将“不知道怎么分析”拆成可定位的问题。这里提供知识卡片、论文拆解和补缺流程；它是可复制的阅读模板，不会自动保存个人笔记。
先在有限状态问题中把对象、方程和算法讲清楚，再进入函数逼近与深度强化学习。本页提供学习路线、一个完整 Bellman 例子和论文分析模板，不宣称覆盖全部强化学习。
围绕 MDP、动态规划、价值函数与策略梯度建立强化学习的数学框架。
理解估计、推断与统计方法背后的理论，连接概率知识与数据分析。
为线性方程组、正交投影、最小二乘与特征值补充计算训练。
把向量与矩阵知识用于拟合、建模和计算，适合从理论进入实验时查阅。