本周任务:
请确保熟悉并理解机器学习数学部分常用相关概念:
1.高等数学
1)函数
2)极限
3)导数
4)极值和最值
5)泰勒级数
6)梯度
7)梯度下降
2.线性代数
1)基本概念
2)行列式
3)矩阵
4)最小二乘法
5)向量的线性相关性
3.概率论
1)事件
2)排列组合
3)概率
4)贝叶斯定理
5)概率分布
6)期望和方差
7)参数估计
答:
本福特定律:
概率公式:
贝叶斯公式:
两点分布:
二项分布:
Taylor展式:
泊松分布
均匀分布
指数分布
指数分布的无记忆性
正态分布
beta分布
sigmoid函数导数
事件的独立性
期望的性质
方差
协方差和独立、不相关
pearson相关系数
伯努利定理
中心极限定理
矩阵学习主要内容
线性代数
范德蒙行列式
矩阵和向量乘法
矩阵的秩
正交阵
2.本周视频学习内容:https://www.bilibili.com/video/BV1Tb411H7uC?p=2
1)P2 概率论与贝叶斯先验
2)P3 矩阵和线性代数
机器学习是一门多领域交叉学科,涉及较多的数学知识,本节课知识之前都有学过,这次根据重点重新梳理一遍,一定要多加重视。通过观看视频,大家对课程的数学基础部分加深印象。
建议大家边看边做笔记,记录要点及所在时间点,以便有必要的时候回看。学习笔记也是作业的一部分。
答:
总结
梯度:从几何意义上讲,就是函数变化增加最快的地方。或者说,沿着梯度向量的方向,更加容易找到函数的最大值。
梯度下降:机器学习算法中,在最小化损失函数时,可以通过梯度下降法来一步步的迭代求解,得到最小化的损失函数,和模型参数值。
贝叶斯定理:通常,事件A在事件B(发生)的条件下的概率,与事件B在事件A的条件下的概率是不一样的;然而,这两者是有确定的关系,贝叶斯定理就是这种关系的陈述。
3.作业要求:
1)贴上视频学习笔记,要求真实,不要抄袭,可以手写拍照。
2)用自己的话总结“梯度”,“梯度下降”和“贝叶斯定理”,可以word编辑,可做思维导图,可以手写拍照,要求言简意赅、排版整洁。