2机器学习数学基础

P2 概率论与贝叶斯先验

概率公式(24:00)：

 

 

贝叶斯公式（29:00）：

指数分布(49:00)：

 

 

总结各个分布：

 

 P3 矩阵和线性代数

SVD（4:00）

 2）用自己的话总结“梯度”，“梯度下降”和“贝叶斯定理”，可以word编辑，可做思维导图，可以手写拍照，要求言简意赅、排版整洁。

梯度:

在一个数量场中，函数在给定点处沿不同的方向，其方向导数一般是不相同的。那么沿着哪一个方向其方向导数最大，其最大值为多少，这是我们所关心的，为此引进一个很重要的概念: 梯度。
函数在某一点处的方向导数在其梯度方向上达到最大值。
这就是说，沿梯度方向，函数值增加最快。同样可知，方向导数的最小值在梯度的相反方向取得，此最小值为最大值的相反数，从而沿梯度相反方向函数值的减少最快。

梯度下降:

它就相当于我们在山顶，想要下山的过程。当站在山顶时，想要抵达底部，在不知下山的速度时，

以当前的位置为准，沿着最陡的方向下山，每一步都判断最陡的方向，一步一步走去，直到山脚下，

这样我们就能抵达山脚下。

贝叶斯定理:

就我个人专业来看贝叶斯定理的话，以及从上面图中公式结合理解，那就只有概率问题适用性，在已知结果下求发生条件的概率。就是说你去赌钱买大小的时候，只有两种可能，要么一个色子加起来的点数属于‘大’（4，5，6），要么属于‘小’（1，2，3），那么在知道是“大”的情况下，点数为‘4’的概率，这个概率问题只能说明它符合贝叶斯定理，。