文章目錄

• 機(jī)器學(xué)習(xí)
• • 定義
  • • 說(shuō)人話
    • 例子
    • • 專家系統(tǒng) 定義好， 應(yīng)招，速度快
      • 機(jī)器學(xué)習(xí) 實(shí)驗(yàn) 獎(jiǎng)懲 調(diào)參
  • 對(duì)象
  • • 任務(wù) TASK T
    • • 一個(gè)或多個(gè)
    • 經(jīng)驗(yàn) EXPERIENCE
    • 性能PERFORMANCE
  • 類比
  • • 人類學(xué)習(xí)
    • • 監(jiān)督學(xué)習(xí)
      • 半監(jiān)督學(xué)習(xí)
      • 無(wú)監(jiān)督學(xué)習(xí)
      • 增強(qiáng)學(xué)習(xí)
  • 可解決問(wèn)題
  • • 不可解決問(wèn)題
    • 舉例
    • • f（x，y）線性模型
      • 損失函數(shù)：L最小，損失最小
    • 方式
    • • 建模
      • • 預(yù)測(cè)
      • 流程
      • python執(zhí)行
  • 模型
  • • 線性回歸
    • EM模型
    • GMM圖像
    • • 卷積
    • SVM
    • 其他內(nèi)容
  • 文獻(xiàn)
• 數(shù)學(xué)分析
• • 引出
  • • 對(duì)函數(shù)上升速度思考
    • • 分析
      • 附錄
      • 總結(jié)
  • 導(dǎo)數(shù)
  • • 常用導(dǎo)數(shù)
    • • 應(yīng)用
      • • 代碼
        • 圖像
        • 方法
      • 應(yīng)用2
      • • 思想
    • 原因：梯度下降方法
  • 方向?qū)?shù)
  • • 推導(dǎo)
    • • 梯度
  • Taylor Maclaurin 公式
  • • 應(yīng)用：求e的x次方，x=0
    • • e的x次方 代碼
      • e的x次方 圖像
      • sinx 代碼和圖像
    • 應(yīng)用2
    • 應(yīng)用3
  • gama函數(shù)
  • 凸函數(shù)
  • • 特點(diǎn)
    • • 一階可微
      • 二階可微
      • • 海瑟矩陣
    • 舉例
  • 概率論
  • • 古典概型
    • • 組合數(shù)
      • • 熵

機(jī)器學(xué)習(xí)

定義

對(duì)于某給定任務(wù)T,在合理的性能度量方案P的前提下，某計(jì)算機(jī)程序可以自主學(xué)習(xí)任務(wù)T的經(jīng)驗(yàn)E，隨著提供合適，優(yōu)質(zhì)，大量經(jīng)驗(yàn)E,該程序?qū)τ谌蝿?wù)T性能逐步提高。

說(shuō)人話

機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支，我們使用計(jì)算機(jī)設(shè)計(jì)一個(gè)系統(tǒng)，使它能夠根據(jù)提供的訓(xùn)練數(shù)據(jù)按照一定方式來(lái)學(xué)習(xí)，隨著訓(xùn)練次數(shù)增加，該系統(tǒng)可以在性能上不斷學(xué)習(xí)和改進(jìn)，通過(guò)參數(shù)優(yōu)化的學(xué)習(xí)模型，能夠用于預(yù)測(cè)相關(guān)問(wèn)題輸出

例子

無(wú)人駕駛汽車

專家系統(tǒng) 定義好， 應(yīng)招，速度快

機(jī)器學(xué)習(xí) 實(shí)驗(yàn) 獎(jiǎng)懲 調(diào)參

對(duì)象

任務(wù) TASK T

一個(gè)或多個(gè)

經(jīng)驗(yàn) EXPERIENCE

性能PERFORMANCE

類比

人類學(xué)習(xí)

監(jiān)督學(xué)習(xí)

看月亮

半監(jiān)督學(xué)習(xí)

LPA

無(wú)監(jiān)督學(xué)習(xí)

閱兵 聚類

增強(qiáng)學(xué)習(xí)

走路 踢球

可解決問(wèn)題

數(shù)據(jù)清洗/特征選擇

確定算法模型/參數(shù)優(yōu)化

結(jié)果預(yù)測(cè)

不可解決問(wèn)題

1 大數(shù)據(jù)存儲(chǔ)/并行運(yùn)算
2 做一個(gè)機(jī)器人

舉例

機(jī)器學(xué)習(xí)：“盯住二號(hào)位，她容易起快球‘
傳統(tǒng)算法：排球規(guī)則

f（x，y）線性模型

損失函數(shù)：L最小，損失最小

方式

建模

預(yù)測(cè)

流程

python執(zhí)行

模型

線性回歸

EM模型

GMM圖像

![在這里插入圖片描述](https://img-blog.csdnimg.cn/20200403185751562.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY2Mzc4MA==,size_16,color_FFFFFF,t_70

卷積

SVM

其他內(nèi)容

文獻(xiàn)

數(shù)學(xué)分析

引出

對(duì)函數(shù)上升速度思考

分析

附錄

總結(jié)

導(dǎo)數(shù)

簡(jiǎn)單來(lái)說(shuō)，導(dǎo)數(shù)就是曲線斜率，是曲線變化快慢的反應(yīng)

二階導(dǎo)數(shù)是斜率變化快慢的反應(yīng)，表征曲線凸凹性
2.1二階導(dǎo)數(shù)是連續(xù)曲線，往往稱之為”***光順***的“
2，2加速度方向總是指向軌跡曲線凹的一側(cè)

常用導(dǎo)數(shù)

應(yīng)用

領(lǐng)會(huì)冪指函數(shù)一般處理套路

代碼

圖像

方法

應(yīng)用2

思想

先假設(shè)

原因：梯度下降方法

方向?qū)?shù)

如果函數(shù)Z=f（x，y）在點(diǎn)P（x，y）是可微分，那么，函數(shù)在該點(diǎn)沿任一L方向?qū)?shù)都存在，且有：

推導(dǎo)

兩個(gè)看作向量

梯度

設(shè)函數(shù)Z=f（x，y）在平面區(qū)域D內(nèi)具有一階連續(xù)偏導(dǎo)數(shù)，則對(duì)于每一個(gè)點(diǎn)P(x,y)屬于D，向量

為函數(shù)Z=f（x，y）在點(diǎn)P的梯度，記作gradf（x，y）

梯度的方向是函數(shù)在該點(diǎn)變化最快的方向

考慮一座解析式為z=H（x，y）山，在的梯度是在該點(diǎn)坡度變化最快方向

梯度下降法

Taylor Maclaurin 公式

應(yīng)用：求e的x次方，x=0

e的x次方 代碼

e的x次方 圖像

sinx 代碼和圖像

應(yīng)用2

應(yīng)用3

gama函數(shù)

凸函數(shù)

若函數(shù)f的定義域domf為凸集，且滿足

特點(diǎn)

一階可微

若f一階可微，則函數(shù)f為凸函數(shù)當(dāng)且僅當(dāng)f定義域domf為凸集，且

二階可微

若函數(shù)f二階可微，則函數(shù)f為凸函數(shù)當(dāng)且僅當(dāng)dom為凸集，且

若f是一元函數(shù)，上式表示二階導(dǎo)大于等于0

若f是多元函數(shù)，上式表示二階導(dǎo)海瑟矩陣半正定

海瑟矩陣

4>0,23>0正定為凸函數(shù)

舉例

概率論

古典概型

解：

將15件產(chǎn)品裝入3個(gè)箱子，每箱裝5件，共有15！/（5！5！5！）

先把三件次品放入三個(gè)箱子，共有3！種裝法。對(duì)于這樣的每一種裝法，把其余12件產(chǎn)品放入3個(gè)箱子，每箱裝4件，共有12！（4！4！4！）種裝法

P（A）=（3*12！（4！4！4！））/（15！/（5！5！5！））=25/91

組合數(shù)

熵

總結(jié)

以上是生活随笔為你收集整理的机器学习导论 与数学分析的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。