2.机器学习相关数学基础

1）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。

以下是视频学习的一些知识点截图整理：

对于解决概率性问题可画图巧解：

 

 

 对于解决问题建立的概率模型：

 

 

 概率公式：

 

 

 通过应用例子能更好理解贝叶斯公式：

 

 

 两点分布：

 

 

 Beta分布的期望：

 

 

 方阵的行列式：

 

 

 代数余子式：

 

 

 矩阵的乘法：

 

 

 正定阵与其判定：

 

 

 

 

 

 QR分解：

 

 

 事件的独立性：

 

 

 期望的性质：

 

 

 总期望：

 

 

 

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：我目前将梯度理解为一个向量“斜率”，就是类比于基础的一元函数去理解，因为它的方向与取得最大方向导数的方向一致，且梯度的方向是最大方向导数的方向，因此梯度相当于目标函数的导数，不过在一维、在单个参数的角度看梯度可以理解为导数，但从所以参数角度看梯度就就不是导数了；

　　梯度下降：在数学上的角度来看，梯度的方向是函数增长速度最快的方向，那么梯度的反方向就是函数减少最快的方向，因此梯度下降就是用来求某个函数最小值时自变量对应取值。

　　贝叶斯定理：从主观上理解，贝叶斯定理既可以先估计一个值（先验概率），然后根据观察的新信息不断修正(可能性函数)。