机器学习数学基础

目录

1 线性代数

导语:这些只是很基础的大学数学课本中的知识,如果考研的话,似乎看完这些也只是个知识点回顾,对做题并没有什么帮助.但是对于机器学习这些知识是必知必会的,要不然容易遇到看不懂!

1.1 矩阵定义

由 m × n 个数 aij (i = 1,2,…,m; j = 1,2,…,n) 排成的 m 行 n 列的数表 A 就称为 m 行 n 列的矩阵

这 m × n 个数称作矩阵 A 的元素，元素 aij 位于矩阵 A 的第 i 行第 j 列

m × n 矩阵 A 可以记作 Am×n，其中 m是行数，n是列数，m, n > 0

对于Am×n，如果 m = n，即矩阵的行数与列数相等，那么称A为方阵

1.2 矩阵中的概念

1.2.1 向量

有些时候看到向量是横着写,有时候是竖着写,其实列向量横着写然后加转置符号，其实就是和竖着写一摸一样，之所以要横着写是为了有些出版社和作者为了节省纸张与空间，横着写加转置多么节省空间，这个其中并没有什么规定非要横着写或者竖着写.

1.3 矩阵的运算

如果是同型矩阵或者是同行同列的就可以进行加减,就是对应的每个元素加减

注意:

A × B，那么有 A 矩阵 m × n，B 矩阵 n × k，要求左侧矩阵的列数 n，必须等于右侧矩阵的行数 n，结果矩阵 C 为 m × k 矩阵。

1.4 矩阵的转置

1.5 矩阵的逆

补充一下

:矩阵的秩A=(aij)m×n的不为零的子式的最大阶数称为矩阵A的秩，记作rA，或rankA或R(A)。特别规定零矩阵的秩为零。r(A)<=min(m,n),A是m*n型矩阵,也就是最小的内个数是矩阵的秩.

2 微积分

2.1 导数的定义

如果是一阶导数y=kx那么导数就是k,导数就是斜率

2.2 偏导数

2.3 方向导数

一个函数沿着指定方向的变化率

2.4 梯度

梯度就是方向取得导数的最大值,下降最快的一点

2.5 凸函数和凹函数

3 概率统计

3.1 常用统计变量

方差和标准差就是一种离散程度,离散程度越大说明数据的差值距离均值越大,方差越小说明数值越稳定.

3.1.1 数学期望和大数定律

大数定律就是我们从统计学中推测真相的理论基础。

大数定律说如果统计数据足够大，那么事物出现的频率就能无限接近它的期望值。

也就是如果某城市增长到100万人口那么每个家庭中的孩子也就逼近于某个数.
可能不好理解

拿我们最熟悉的投色子举例，游戏规则是投中1点获得1元，投中2点获得2元，以此类推。

这个期望3.5代表什么意思呢？不是最后能拿到3.5元

而是，只要你一直玩下去，你每次游戏的预期收益是3.5元。可能你某次赢了1元，某一次赢了6元，只要你长期投下去， 你平均下来每次就赢3.5元。

3.1.2 协方差

XY随机变量的相关性统计

协方差（Covariance）在概率论和统计学中用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况，即当两个变量是相同的情况。
协方差表示的是两个变量的总体的误差，这与只表示一个变量误差的方差不同。如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。如果两个变量的变化趋势相反，即其中一个大于自身的期望值，另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。

概念比较难以理解简单的说:

补充说下:如果是0,也就没啥相关性

3.1.3 相关系数

弥补XY的相似程度的计算,就可以更清晰的得到相关性.

3.2 常见概率分布

3.3 重要概率公式