大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(1)

本文为系列文章,内容高度总结为以下三大类:

  1. 机器学习背后的数学知识

  2. 常用的机器学习算法原理与示例

  3. 工程实践与应用案例/经验

每个大类中的内容很多,因此将分为多篇文章介绍给大家。本篇文章为第2篇,主要初步介绍高等数学相关知识。近期内容如下:

机器学习初步(第1篇)

1、概念定义

2、ML分类

3、算法一览

相关高等数学回顾(第2篇)

1、导数/梯度

2、Taylor展开

3、凸函数

相关概率论回顾(第3篇)

1、古典概率

2、贝叶斯公式

3、常见概率分布

高等数学回顾

如果只是将机器学习当作一个黑盒使用的话,是可以不用学习这些数学知识的。

但如果你需要了解机器学习底层知识;需要对机器学习算法进行调优;需要应聘机器学习算法工程师岗位的话,建议大家还是要学习以下高等数学知识。

微积分之:两边夹定理/夹逼定理

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(2)

推论

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(3)

该式将三角函数和多项式建立了极限关系

思考

该式的极限是多少?

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(4)

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(5)

导数

简单的说,导数就是曲线的斜率,是曲线变化快慢的反应。

二阶导数是斜率变化快慢的反应,表征曲线的凹凸性。

在GIS中,往往一条二阶导数连续的曲线,我们称之为光顺的。

还记得高中物理老师时常念叨的吗?加速度的方向总是指向轨迹曲线凹的一侧。

常用函数的导数

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(6)

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(7)

应用

已知函数

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(8)

求f(x)的最小值?

  • 领会幂指数的一般处理套路

  • 在信息熵章节中将再次遇到它

求解

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(9)

附:

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(10)

在计算机算法跳跃表Skip List的分析中,用到了该常数。

背景:跳表是支持增删改查的动态数据结构,能够达到与平衡二叉树,红黑树近似的效率,而代码实现简单。

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(11)

Taylor公式——Maclaurin公式

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(12)

Taylor公式的应用1

数值计算:初等函数值的计算(在原点展开)

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(13)

在实践中,往往需要做一定程度的变换

Taylor公式的应用2

考察基尼指数的图像、熵、分类误差率三者之间的关系

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(14)

上述结论,在决策树章节中会进一步讨论

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(15)

方向导数

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(16)

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(17)

梯度

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(18)

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(19)

凸函数

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(20)

凸函数的判定

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(21)

即:一元二阶可微的函数在区间上是凸的,当且仅当它的二阶导数是非负的。

凸函数的表述

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(22)

意义:可以在确定函数的凹凸性之后,对函数进行不等式替换

凸性质的应用

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(23)

上式在最大熵模型等内容中会详细讨论。

注意到y=-logx在定义域上是凸函数

大学机器学习算法课程的学习计划(BAT机器学习工业实战教程)(24)

目录介绍

本系列文章所有内容计划如下:

  1. 机器学习与相关数学初步

  2. 数理统计与参数估计

  3. 矩阵分析与应用

  4. 凸优化初步

  5. 回归分析与工程应用

  6. 特征工程

  7. 工作流程与模型调优

  8. 最大熵模型与EM算法

  9. 推荐系统与应用

  10. 聚类算法与应用

  11. 决策树随机森林和adaboost

  12. SVM

  13. 贝叶斯方法

  14. 主题模型

  15. 贝叶斯推理采样与变分

  16. 人工神经网络

  17. 卷积神经网络

  18. 循环神经网络与LSTM

  19. Caffe&Tensor Flow&MxNet 简介

  20. 贝叶斯网络和HMM

  21. 词嵌入word embedding

本文就先介绍到这,大家有什么需求,欢迎给我留言。

,

免责声明:本文仅代表文章作者的个人观点,与本站无关。其原创性、真实性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容文字的真实性、完整性和原创性本站不作任何保证或承诺,请读者仅作参考,并自行核实相关内容。文章投诉邮箱:anhduc.ph@yahoo.com

    分享
    投诉
    首页