数学基础(高等数学)

作者: Li77159 | 来源:发表于2018-09-26 19:06 被阅读0次

考研总结2017
数学基础(高等数学)
人工智能学习大纲
AI语音行业紧缺，全栈语音工程师究竟有多难？
AI技术体系和领域浅总结
计算机视觉_学习目录
计算机科学与技术知识体系
微积分、高等数学、数学分析区分
高等数学基础01：函数
高等数学基础02：极限

一些在机器学习中可能用到的数学基础以及常用的数学公式

机器学习中常见的函数

符号函数

$y = sgnx= \begin{cases} 1 & x > 0 \\ 0 & x = 0 \\ -1 & x < 0 \\ \end{cases}$

取整函数

$y = [x]$

狄利克雷函数

$y = D(x)= \begin{cases} 1 & x 为有理数 \\ 0 & x 为无理数 \\ \end{cases}$

取最值函数

$y = max[{f(x),g(x)}]$
$y = min[{f(x),g(x)}]$

对数函数

$x =\log_a{N}$

指数函数

$N = a^x$

泊松分布

$P(X=k) = \frac{\lambda^k}{k!} e^{-\lambda},k = 0,11...$

高斯分布(正态分布)

$f(x) = \frac{1}{\sqrt{2\pi}\sigma}exp(-\frac{(x-\mu)^2}{2\sigma^2})$

sigmoid函数

$S(x) = \frac{1}{1+e^{-x}}$

幂函数

$y = \begin{cases} x \\ x^2 \\ x^3 \\ x^4 \\ \end{cases}$

一元一次函数

$y = ax +b$

三角函数

$y = \begin{cases} sinx & 正弦函数\\ cosx & 余弦函数 \\ tanx & 正切函数\\ \end{cases}$

反三角函数

$y = \begin{cases} arcsinx & 反正弦函数\\ arccosx & 反余弦函数 \\ arctanx & 反正切函数\\ \end{cases}$

导数与微积分

切线斜率

某点的导数即为该点的斜率
$k = \lim_{x\rightarrow x_0}{\frac{f(x)-f(x_0)}{x - x_0}}$

常见的导数

$y' = \begin{cases} 0 & (C)' \\ cosx & (sinx)' \\ -sinx & (cosx)' \\ nx^{n-1} & (x^n)'\\ \frac{1}{xlna} & (log_a x)'\\ \frac{1}{x} & (lnx)'\\ a^x lna & (a^x)'\\ e^x & (e^x)'\\ \end{cases}$

微分

$dy = f'(x_0)\Delta x = f'(x_0)dx$

导数的运算法则

$[f(x)\pm g(x)]' = f'(x) \pm g'(x)$
$[f(x) \ast g(x)]' = f'(x)g(x) + f(x)g'(x)$
$[\frac{f(x)}{g(x)}]' = \frac{f'(x)g(x) - f(x)g'(x)}{[g(x)]^2}(g(x) \neq 0)$

定积分

$\int^b_a f(x)dx = \lim_{\lambda \rightarrow 0} \sum^n_{i=1} f(\xi _i)\Delta x_i$

规定

$\int^b_a f(x)dx = \begin{cases} 0 & a = b\\ -\int^a_b f(x)dx & b < a\\ \end{cases}$

性质

$\int^b_a[f(x)+g(x)]dx = \int^b_a f(x)dx + \int^b_a g(x)dx$
$\int^b_a kf(x)dx = k\int^b_af(x)dx$
$\int^b_a [\alpha f(x) + \beta g(x)]dx = \alpha \int^b_a f(x)dx + \beta \int^b_a g(x)dx$
$\int^b_a f(x)dx = \int^c_a f(x)dx + \int^b_c f(x)dx$
$\int^b_a f(x)dx \geq 0$
$若f(x)在[a,b]上连续,则存在\xi \in [a,b] ,使 \int^b_a f(x)dx = f(\xi)(b-a)$
$设M,m分别是f(x)在区间[a,b]上的最大值及最小值,则m(b-a) \leq \int ^b_a f(x)dx \leq M(b-a)$

向量代数及空间解析几何

定义

既有大小又有方向的量

两非零向量的关系
- 相等 : 大小相等且方向相同
  $\vec a = \vec b$
- 平行或共线 : 方向相反或相同的两个非零向量
  $\vec a // \vec b$
- 垂直 : 方向成90°夹角的量非零向量
  $\vec a \bot \vec b$
向量的运算

$\vec a + \vec b = \vec b + \vec a$
$\vec a + \vec b + \vec c = (\vec a + \vec b ) + \vec c = \vec a + (\vec b + \vec c)$
$\vec a +(- \vec a) = \vec 0$
$\vec a -\vec b = \vec a +(- \vec b)$
$\lambda (\mu \vec a) = \mu (\lambda \vec a) = (\mu \lambda)\vec a$
$(\lambda + \mu) \vec a = \lambda \vec a + \mu \vec a$
$\lambda(\vec a + \vec b ) = \lambda \vec a + \lambda \vec b$

数量积

$\vec a \cdot \vec b = |\vec a||\vec b |cos \theta$

数量积的性质
- $a \cdot a = |a|^2$
- $对于两个非零向量a,b 如果a \cdot b =0,则a \bot b,反之,若a \bot b,则a \cdot b =0$
数量积的运算

$a \cdot b = b \cdot a$
$(a+b)\cdot c = a \cdot c + b \cdot c$
$(\lambda a) \cdot b = a \cdot (\lambda b) = \lambda(a \cdot b)$
$(\lambda a ) \cdot (\mu b) = \lambda \mu (a \cdot b)$

数量积的坐标表示
- $设a = (a_x,a_y,a_z), b = (b_x,b_y,b_z),则a \cdot b = a_xb_x+a_yb_y +a_zb_z$
向量夹角的余弦的坐标表示

$cos \theta = \frac{a \cdot b}{|a||b|}=\frac{a_xb_x+a_yb_y+a_zb_z}{\sqrt{a_x^2+a_y^2+a_z^2} \sqrt{b_x^2+b_y^2+b_z^2}}$

球面的方程

$(x-x_0)^2+(y-y_0)^2+(z-z_0)^2 = R^2$

椭球面的方程

$\frac{x^2}{a^2} + \frac{y^2}{b^2} + \frac{z^2}{c^2} = 1$

梯度

定义

$函数z=f(x,y)在平面区域D内具有一阶连续偏导数,则对于点P_0(x_0,y_0) \in D,都可以定出向量 \frac{\alpha f}{\alpha x} \vec i+\frac{\alpha f}{\alpha y} \vec j,$ $这向量称为函数z = f(x,y) 在点P_0(x_0,y_0)的梯度,记为$ $gradf(x_0,y_0) = \nabla f(x_0,y_0) = f_x(x_0,y_0) \vec i +f_y(x_0,y_0) \vec j$ $它的模等于方向导数的最大值$ $|gradf(x,y)| = \sqrt{(\frac {\alpha f}{\alpha x})^2 + (\frac {\alpha f}{\alpha y})^2}$

梯度下降

$\Theta^1 = \Theta^0 - \alpha \nabla J(\Theta) evaluated at \Theta^0$
假设有一个单变量的函数 $J(\theta) = \theta^2$ ,函数的导数是 $J'(\theta)=2\theta$ ,起点为 $\theta^0 = 1$ ,学习率 $\alpha = 0.4$ ,开始计算下降梯度 $\theta^0=1$ $\theta^1 = \theta^0-\alpha *J'(\theta^0)=1-0.4*2=0.2$ $\theta^2 = \theta^1-\alpha *J'(\theta^1)=0.2-0.4*0.4=0.04$

二重积分

性质

$\int \int_Dkf(x,y)d \sigma = k\int\int_Df(x,y)d \sigma$
$\int \int_D[f(x,y) \pm g(x,y)]d \sigma = \int\int_Df(x,y)d \sigma + \int\int_Dg(x,y)d \sigma$
$\int \int_Df(x,y)d \sigma = \int\int_{D_1} f(x,y)d \sigma + \int\int_{D_2} f(x,y)d \sigma$

结束语

如果您对这篇文章有什么意见或者建议,请评论与我讨论.
如果您觉得还不错的话~可以点个喜欢鼓励我哦.
如果您想和我一起学习,请毫不吝啬的私信我吧~

考研总结2017
数学：高等数学：前俩月看同济六版高等数学，并把课后习题做一遍。汤家凤有同济六版视频。高等数学基础课建议看汤家凤...
数学基础(高等数学)
一些在机器学习中可能用到的数学基础以及常用的数学公式机器学习中常见的函数符号函数取整函数狄利克雷函数取最...
人工智能学习大纲
Python/高等数学、大数据、高等数学、机器学习、
AI语音行业紧缺，全栈语音工程师究竟有多难？
语音识别基础知识【数学与统计学】数学是所有学科的基础，其中的高等数学、数理方程、泛函分析等课程是必要的基础知识...
AI技术体系和领域浅总结
数学基础微积分《高等数学》线性代数《线性代数》概率统计《概率论与数理统计》信息论《信息论基础》（ ...
计算机视觉_学习目录
学习目录编程基础：Python 数据基础：线性代数高等数学数理统计视觉库 OpenCv掌握深度学习深...
计算机科学与技术知识体系
计算机科学与技术数学基础：高等数学，线性代数，概率论编程语言：C，C++，Java，Python...... ...
微积分、高等数学、数学分析区分
微积分微分+积分高等数学微积分+微分方程+无穷级数数学分析高阶版高等数学
高等数学基础01：函数
函数的定义量和量之间的关系如：，其中x是自变量，y是因变量。函数在处取得的函数值符号只是一种表示，也可以：几种...
高等数学基础02：极限
数列按照一定次数排列的一列数：，其中叫做通项。对于数列如果当n无限增大时，其通项无限接近于一个常数A， ...

数学基础(高等数学)

机器学习中常见的函数

符号函数

取整函数

狄利克雷函数

取最值函数

对数函数

指数函数

泊松分布

高斯分布(正态分布)

sigmoid函数

幂函数

一元一次函数

三角函数

反三角函数

导数与微积分

切线斜率

常见的导数

微分

导数的运算法则

定积分

规定

性质

向量代数及空间解析几何

定义

两非零向量的关系

向量的运算

数量积

数量积的性质

数量积的运算

数量积的坐标表示

向量夹角的余弦的坐标表示

球面的方程

椭球面的方程

梯度

定义

梯度下降

二重积分

性质

结束语

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读