热门好课推荐
猜你喜欢
相关培训 相关博客
  • 矩阵参考:机器学习基础一般而言,一个对象应该被视为完整的个体,表现实中有意义的事物,不能轻易拆分。对象是被特征化的客观事物,而表(或矩阵)是容纳这些对象的容器。换句话说,对象是表中的元素,表是对象的集合(表中的每个对象都有相同的特征和维度,对象对于每个特征都有一定的取值)。分类或聚类可以看作根据对象特征的相似性与差异性,对矩阵空间的一种划分。预测或回归可以看作根据对象在某种序列(时间...
    2018-06-02 20:27:00
    阅读量:6
    评论:0
  • 机器学习的数学基础文章目录高等数学1.导数定义:导数和微分的概念f′(x0)=lim⁡Δx→0,f(x0+Δx)−f(x0)Δxf'({{x}{0}})=\underset{\Deltax\to0}{\mathop{\lim}},\frac{f({{x}{0}}+\Deltax)-f({{x}_{0}})}{\Deltax}f′(x0)=Δx→0lim​,Δx...
    2019-03-03 15:52:11
    阅读量:40
    评论:0
  • 机器学习之数学基础一、常见导数                    和差积商求导法则:    复合函数:  多变量函数求偏导,即只有某一个自变量变化,固定其他自变量(看做常量):  梯度:函数的梯度是一个向量,它的方向与取得最大方向导数的方向一致,模为方向导数的最大值。...
    2018-05-26 07:41:14
    阅读量:285
    评论:0
  • 学习自https://zhuanlan.zhihu.com/p/36311622一.高等数学1.导数定义:导数与微分的概念:2.左右导数的几何意义与物理意义:3.函数的可导性与连续性之间的关系:可导一定连续,连续不一定可导4.平面曲线的切线与法线:切线:法线:5.导数的四则运算:6.基本导数与微分表:7.复合函数,反函数,隐函...
    2019-04-29 21:42:57
    阅读量:35
    评论:0
  • 一、线性代数二、概率  概率论是对事物不确定性的度量。  期望(反映随机变量平均值的大小):是试验中每次可能结果的概率乘以其结果的总和。          假设X是一个连续型随机变量,其概率密度函数f(x),则其数学期望被定义为:  方差(用来衡量随机变量与其数学期望之间的偏离程度):统计中的方差为样本方差,是各个样本数据分别与其平均数之差的平方和的平均数:  协方差:在概率论...
    2018-06-23 14:13:19
    阅读量:57
    评论:0
  • scalar标量SunspotNumberDaltonMinimumexponentiation指数化信息论对数函数log2SIGMOD激活函数ReLU激活函数Vector向量vectorspace向量空间欧几里德空间笛卡尔坐标系极坐标系NormofVectors向量的模triangleinequalityL-0toL-infinityNorms||x||pL...
    2018-04-03 17:05:48
    阅读量:48
    评论:0
  • 方向导数:如果函数z=f(x,y)在点P(x,y)是可微分的,那么,函数在该点沿任一方向L的方向导数都存在,且有:其中,ψ为x轴到方向L的转角。那么在点p(x,y)处沿着什么方向变化最快呢?再以上面公式为例,可以将上面公式写成这样的形式:上面公式右侧第一项我们可以看成是,第二项是直线L的方向,其中ψ为x轴到方向L的转角,那么这个ψ取多大是,这个变化率最大呢?我们知道当向量a和向量b之间夹角为
    2017-07-19 10:05:22
    阅读量:417
    评论:0
  • 机器学习的数学基础这里我主要总结一下我正在看的Bishop的"PatternRecognitionandMachineLearning"里面的内容。1:概率论基础边缘概率:只观察某个变量的概率。如存在X,Y两个变量,P(X)和P(Y)都是边缘概率(marginalprobability)联合概率:同时观测两个变量的值,此时的概率。如P(X=i,Y=j)就是联合概率(joi...
    2019-01-21 11:33:39
    阅读量:49
    评论:0