diff --git a/必备数学基础.md b/必备数学基础.md
index 7b2a3a9..63a8e56 100644
--- a/必备数学基础.md
+++ b/必备数学基础.md
@@ -1,6 +1,10 @@
 # 必备数学基础
 
-### 函数
+### 高等数学基础
+
+#### 函数
+
+> **WHAT**:后面基本都是用函数，这里先理解一下函数的概念
 
 **函数的定义**：
 
@@ -23,7 +27,7 @@
 
 
 
-### 方向导数（引出梯度）
+#### 方向导数（引出梯度）
 
 > 在函数定义域的内点，对某一*方向*求导得到的*导数*。
 >
@@ -53,8 +57,10 @@
 
 ![1603800171837](assets/1603800171837.png)
 
-### 梯度
+#### 梯度
 
+> **WHAT**:简而言之，就是找到函数在某点沿着哪个梯度方向变化最大（小），也就是怎样的方向对数据逼近所需要的值最好。
+>
 > 是一个向量（矢量），表示某一函数在该点处的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向（此*梯度*的方向）变化最快，变化率最大（为该*梯度*的模）。
 
 函数：z = f(x,y)在平面域内具有连续的一阶偏导数，对于其中每个点P(x,y)都有向量![1603800802065](assets/1603800802065.png)则其称为函数点P的梯度。
@@ -95,6 +101,10 @@
 
 ### 微积分
 
+#### 微积分基本理论
+
+> **WHAT**:前面说到，机器学习当中，求解很难或者没有解，而微积分也是一个用简单的方式，求一个与实际情况最接近的答案。
+>
 > 很多的微分积起来
 
 如何求A面积的值
@@ -144,7 +154,19 @@
 
 
 
-### 矩阵和特征
+### 泰勒公式
+
+> **what**：用简单、熟悉的多项式来近似替代复杂的函数。
+>
+> 一个概念可以自己去找找，需要就找我，我再把内容加上
+
+
+
+### 线性代数基础
+
+#### 矩阵和特征
+
+> **WHAT**：人工智能领域，数据基本是矩阵形式，而矩阵的每列（一般是除开首列），称为特征
 
 **矩阵**：
 
@@ -168,7 +190,7 @@
 
 > 同型矩阵：行列相同。矩阵相等：行列相同且里面的值一样
 
-**向量内积**：
+#### 向量内积
 
 - 设有n维向量：![1603802689962](assets/1603802689962.png)
 
@@ -177,7 +199,9 @@
   - 对称性：[x, y] = [y, x]
   - 线性性质：[λx, y] = λ[x, y], [x + y, z] = [x, z] + [y, z]
 
-### SVD矩阵分解
+#### SVD矩阵分解
+
+> **WHAT**：为了让数据的呈现更好，且不破坏数据的原始表达
 
 数据行列可能很大，如电商行业100万客户（行），有1万的商品（特征），用一组数据表达就是
 
@@ -194,7 +218,9 @@
 
 
 
-### 离散和连续型数据
+### 随机变量
+
+#### 离散和连续型数据
 
 ![1603623698138](assets/1603623698138.png)
 
@@ -226,7 +252,7 @@
 
 > 还有一种方法是把每个值划分在不同区间，变成离散型，但如果有新数据进来就要再划分区间导致区间越来越多。
 
-### 简单随机抽样
+#### 简单随机抽样
 
 抽取的样本满足两点
 
@@ -236,9 +262,9 @@
 
    ![1603790015180](assets/1603790015180.png)
 
-### 极大似然估计
+#### 极大似然估计
 
-> 找到最有可能的那个
+> **WHAT**：找到最有可能的结果
 
 1. 构造似然函数：L(θ)
 
@@ -264,7 +290,7 @@
 - 令![1603802263577](assets/1603802263577.png)
 - 解得 λ 的极大似然估计值为 ![1603802356318](assets/1603802356318.png)
 
-
+### 概率论基础