機器學習過程

用EM算法推測高斯混合模型（GMM）

去均值ICA分離

SVM

HMM分詞：MLE

LDA --主題分布 輿情分析

且e的近似值

from matplotlib import pyplot as plt def f_n(n):if n<0:returnr = 1 #　存儲n!s = 1if n==0:return rfor i in range(1,n+1):r *= is += 1./rreturn s l = list(range(15)) res =map(f_n,l)plt.plot(list(res)) plt.title("泰勒展式近似e") plt.rcParams['font.sans-serif']=['SimHei'] #顯示中文 plt.show()

泰勒公式

熵
$$H(x)=?\sum _{k=1}^K{p}_{k}ln{p}_k(1)$$
-ln(x)在x=1處一階近似展開為1-x
(1)式近似后，得到Gini系數
$$Gini(x)=?\sum _{k=1}^K{p}_k(1?p_k)$$

方向導數（函數f(x,y)沿直線l的導數）

當方向導數為f(x,y) 的偏導方向時，導數下降最快，為梯度

伽馬函數

凸函數。
不等式可通過費馬定理證明（定于f關于$\lambda$的函數）

softmax近似

古典概型

總結

以上是生活随笔為你收集整理的机器学习与数学分析（一）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。