2.机器学习相关数学基础

1）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。

　　本次学习的是 P2 概率论与贝叶斯先验 和 P3 矩阵和线性代数，进一步复习了高等数学中的极限、导数、极值和最值、泰勒级数和梯度下降，也复习了线性代数中的行列式、矩阵和最小二乘法，同时还回顾了概率论的贝叶斯定理、概率分布、期望和方差。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

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。

　　梯度：它其实一个向量，是微积分中一个重要的概念。梯度是向量就有方向，梯度的方向是函数在给定点上升最快的方向，那么它的反方向就是函数在给定点下降最快的方向，只要沿着梯度的方向一直走，就能找到局部的最低点。

 　　梯度下降：它可以类比为一个下地铁楼梯的过程。假设：一个人在楼梯顶端上，需要从楼层上下来到最低处。但是不好确定下楼梯的速度，这时他可以以他当前的所处的位置为基准，寻找这个位置楼梯最陡峭的地方，朝着楼梯下降的地方走，一直沿着最陡方向，我们就能到达地面。上升同理。

　　贝叶斯定理：根据贝叶斯公式，我们用经验预估一个“先验概率”P(A),然后加入新的信息（实验结果B），这样有了新的信息后，我们对事件A的预测就更加准确。贝叶斯分类器的核心是将样本判定为后验概率最大的类。贝叶斯应用在全概率公式、判断和疾病的检测，还可以用在日常的决策中。