单变量微积分笔记10——拉格朗日中值定理
摘要：拉格朗日中值定理又称拉氏定理，是微分学中的基本定理之一，它反映了可导函数在闭区间上的整体的平均变化率与区间内某点的局部变化率的关系。
阅读全文
posted @ 2017-09-26 22:47
09 2017 档案
单变量微积分笔记9——牛顿迭代法
摘要：牛顿迭代法（Newton's method）又称为牛顿-拉夫逊（拉弗森）方法（Newton-Raphson method），它是牛顿在17世纪提出的一种在实数域和复数域上近似求解方程的方法。
阅读全文
posted @ 2017-09-25 22:58
单变量微积分笔记8——最值问题和相关变率
摘要：在上篇文章《曲线构图中》，我们可以非常容易地从图上找到函数的最值点。想要求得一个函数的最值点，自然会联想到通过构图寻找，但是构图并不是一个轻松的过程。观察最值点在函数曲线上的位置，可以得出结论：最值点可能存在于临界点、无限远端或驻点。因此仅需要知道这几个点便可以知道函数的最值点。
阅读全文
posted @ 2017-09-20 22:31
单变量微积分笔记7——曲线构图
摘要：本文介绍了曲线构图相关的基本概念，包括函数的凹凸性、极值点、驻点、拐点等信息，展示如何根据这些信息构图
阅读全文
posted @ 2017-09-19 22:55
软件的社交能力
摘要：首先回顾一下《变身博士》中著名的精神病，他的发病起因大抵可归结为一条——人格分裂。再来思考一下自己是否有分裂的迹象，当然，我没有，至少我不会当着众人的面承认。然而澄清的世界在互联网面前改变了，任何人都可以申请N多不同的帐号来扮演不同的角色，这不是人格分裂又是什么？既然计算机只认得0和1，它就不会在乎你的长相，你是否是个变异的澳大利亚袋鼠，更不会在乎你是财务部发票管理员还是分公司发票管理员，但是，我们是否有必要规定：一个帐号只能对应一个角色，如果你想同时拥有多个角色，那么你必须申请两个ID。
阅读全文
posted @ 2017-09-13 19:06
单变量微积分笔记6——线性近似和二阶近似
摘要：本文主要介绍了线性近似和二阶近似，在0基点的常用近似，近似的应用
阅读全文
posted @ 2017-09-12 23:02
单变量微积分笔记5——导数5（指数函数和对数函数的导数）
摘要：本文是数学笔记（导数）的第五篇，主要介绍指数函数和对数函数的求导法则
阅读全文
posted @ 2017-09-11 10:37
FP-growth算法发现频繁项集（二）——发现频繁项集
摘要：
常见的挖掘频繁项集算法有两类，一类是Apriori算法，另一类是FPGrowth。Apriori通过不断的构造候选集、筛选候选集挖掘出频繁项集，需要多次扫描原始数据，当原始数据较大时，磁盘I/O次数太多，效率比较低下。FPGrowth不同于Apriori的“试探”策略，算法只需扫描原始数据两遍，通过FP-tree数据结构对原始数据进行压缩，效率较高。FP代表频繁模式（Frequent Pattern) ，算法主要分为两个步骤：FP-tree构建、挖掘频繁项集。本文是FP-growth算法的第二篇，主要介绍通过条件FP树发现频繁项集
阅读全文
常见的挖掘频繁项集算法有两类，一类是Apriori算法，另一类是FPGrowth。Apriori通过不断的构造候选集、筛选候选集挖掘出频繁项集，需要多次扫描原始数据，当原始数据较大时，磁盘I/O次数太多，效率比较低下。FPGrowth不同于Apriori的“试探”策略，算法只需扫描原始数据两遍，通过FP-tree数据结构对原始数据进行压缩，效率较高。FP代表频繁模式（Frequent Pattern) ，算法主要分为两个步骤：FP-tree构建、挖掘频繁项集。本文是FP-growth算法的第二篇，主要介绍通过条件FP树发现频繁项集
阅读全文
posted @ 2017-09-08 08:44
单变量微积分笔记4——导数4（反函数的导数）
摘要：本文是数学笔记（导数）的第四篇，主要介绍反函数的导数
阅读全文
posted @ 2017-09-07 05:49
FP-growth算法发现频繁项集（一）——构建FP树
摘要：
常见的挖掘频繁项集算法有两类，一类是Apriori算法，另一类是FPGrowth。Apriori通过不断的构造候选集、筛选候选集挖掘出频繁项集，需要多次扫描原始数据，当原始数据较大时，磁盘I/O次数太多，效率比较低下。FPGrowth不同于Apriori的“试探”策略，算法只需扫描原始数据两遍，通过FP-tree数据结构对原始数据进行压缩，效率较高。FP代表频繁模式（Frequent Pattern) ，算法主要分为两个步骤：FP-tree构建、挖掘频繁项集。本文是FP-growth算法的第一篇，主要介绍如何构建FPTree
阅读全文
常见的挖掘频繁项集算法有两类，一类是Apriori算法，另一类是FPGrowth。Apriori通过不断的构造候选集、筛选候选集挖掘出频繁项集，需要多次扫描原始数据，当原始数据较大时，磁盘I/O次数太多，效率比较低下。FPGrowth不同于Apriori的“试探”策略，算法只需扫描原始数据两遍，通过FP-tree数据结构对原始数据进行压缩，效率较高。FP代表频繁模式（Frequent Pattern) ，算法主要分为两个步骤：FP-tree构建、挖掘频繁项集。本文是FP-growth算法的第一篇，主要介绍如何构建FPTree
阅读全文
posted @ 2017-09-05 22:39
单变量微积分笔记3——导数3（隐函数的导数）
摘要：本文是数学笔记（导数）的第三篇，主要介绍隐函数的导数
阅读全文
posted @ 2017-09-03 18:50
