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,。