机器学习：2.机器学习相关数学基础

 

---

 

☆本周视频学习内容：https://www.bilibili.com/video/BV1Tb411H7uC?p=2

☆本周作业要求：

1）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。

解析：

1）P2 概率论与贝叶斯先验

 

主要学习内容：第3页

 

本福特定律：第7页

 

概率公式：第14页

 

贝叶斯公式的应用：第16页

 

贝叶斯公式：第17页

 

两点分步：第19页

 

二项分布：第20页

 

泊松分布：第24页

 

均匀分布：第27页

 

指数分布：第28页

 

正态分布：第31页

 

二元正态分布：第34页

 

各项分布的知识总结：第35页

 

Beta分布：第36页

 

Beta分布图：第38页

 

事件独立性：第46页

 

方差：第57页

 

协方差：第58页

 

协方差矩阵：第68页

 

切比雪夫不等式：第72页

 

伯努利定理：第77页

 

中心极限定理：第78页

 

贝叶斯公式思考题：第83页

2）P3 矩阵和线性代数

主要学习内容：第3页

 

线性代数定义：第9页

 

代数余子式：第12页

 

系数矩阵：第32页

特征值和特征向量：第36页

  

思考总结：第67页

 

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。

解析：　　

梯度：我对梯度的直观理解是，梯度的本意是一个向量，表示某一函数在该点处的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向变化最快，变化率最大。也就是说：梯度可以定义为一个函数的全部偏导数构成的向量。

梯度下降：主要目的是通过不断地迭代来寻找到目标函数的最小值，或者收敛到最小值。

贝叶斯定理：贝叶斯定理是关于随机事件A和B的条件概率的一则定理。其中P(A|B)是在B发生的情况下A发生的可能性。数学公式如下：