基于机器学习等延伸出的数学知识补救——关于那些大学学了不及时用就会忘掉的知识

合集 - python_ML+DL(2)

1.python机器学习算法——KNN算法2024-04-16

2.基于机器学习等延伸出的数学知识补救——关于那些大学学了不及时用就会忘掉的知识2024-05-12

收起

　　因为要学机器学习深度学习之类的，那么对数学基础有要求。但是我大学学了高数后我就没怎么用过（至少没用过偏导之类的），挠头。那么就是为了复习，然后重新构建知识谱图，因为笔记丢了（目移），所以会借用一些资料的笔记。

　　顺序大概就是学机器学习深度学习接触的数学知识，分类后画AI相关的数学图，大概学完最基础的就会发图（？），一些paper涉及到的数学推导会重新加入到建立完的数学图，然后进行颜色标识。

　　在写数学知识的时候，还有可能会写一下公式，公式不一定要记（毕竟我也是新手），但是一定要理解。

　　学习算法参考的链接：

　　　　ShowMeAI知识社区

　　只看自己看得懂的。

 

 

　　K近邻算法涉及到的：

　　曼哈顿距离，LP距离，欧式距离，切比雪夫距离。　　　

 　　向量和向量空间是线性代数的，由于在我的线性笔记找不到向量的相关概念，所以参考了一些链接：

　　　　【线性代数】矩阵、向量、行列式、特征值与特征向量（掌握这些概念一篇文章就够了）_矩阵自由向量-CSDN博客

　　　　线代复习笔记 (三) 向量空间R^n及其线性变换 - 知乎 (zhihu.com)

　　博主还给了一些相关链接，这里不再贴出。

　　（如果找到很喜欢的文章想要记录，直接打印成pdf就好了）

　　这里只是写一下一些相关。

　　　　LP距离公式的参数如下：　

 　　　　看懂了参数的定义后，然后就很简单了。

　　　　 这些参数同样可以套在其他距离公式里面。

　　　

　　损失函数相关：

　　　　二元交叉熵损失。　

 　　　　上图是gpt给出的公式，当然只是看看就可以了。showmeai给出的解释更好，这里就不贴了。

　　　损失函数正则化：

　　　　这里加上了一个正则化处理，只是提一下。

　　　

　　to be contiune.