数学表达式魔训

引言

你好！这里是引言，随着课程的推进将会不断丰富此段内容。

1. 第一天

在这段中，主要讲经过一天的学习，自己的收获以及体验，并且对学到的东西学以致用，简单说就是写一些小例子。当然，还要完成一些小挑战。先说一下这一天的收获吧，知识性的东西在 @minfanphd 文档里面都可以看见，因此不在这里进行重复叙述。

概论

首先，数学语言的重要性毋庸置疑，它可以说是最简洁的一种语言，能够非常简单的将我们要讲述的事情表达清楚。也是因为我们的式子 (equation) 写的不够好才有了这次的魔鬼培训。 如果对这些比较恐惧 – 包括看到式子写不出代码或者写出了代码但写不出式子，模仿无疑是有效的一种方法。对这那些大佬写的书，将他们的公式抄写几遍，俗话说书读百遍其义自见，那么公式多抄几遍，也就有了自己的体会。

另外有几个需要特别注意的地方：
1. 一篇论文中的格式要统一，也就是 @minfanphd 常说的内部系统不能出错。
2. equation 以及 expression才是我们应当写进论文的。
3. 不要写 “xxx 提出了” 以及 “xxx说”。
4. 学到了 \left 和 \right 的使用方法（将在下文使用）。

集合论

1. \mathrm 的使用，使用和不使用的效果为：$\mathrm{a}$、$a$.
2. 这个$\varnothing$才是空集，这个$\varphi$不是.
3. $\mathbf{A}\cup \mathbf{B}$、${\bigcup }_{i=1}^n{\mathbf{A}}_i$、$\mathbf{A}\cap \mathbf{B}$、${\bigcap }_{i=1}^n{\mathbf{B}}_i$、$\mathbf{A}\setminus \mathbf{B}$、$\overline{A}$、$\underline{B}$.
4. $\mathbf{A}$的幂集为： 2 A = { B ∣ B ⊆ A } 2^{\mathbf{A}} = \{\mathbf{B} \vert \mathbf{B} \subseteq \mathbf{A}\} 2A={ B∣B⊆A}.
5. 笛卡尔积 A × B = { ( a , b ) ∣ a ∈ A , b ∈ B } \mathbf{A} \times \mathbf{B} = \{(a, b) \vert a \in \mathbf{A}, b \in \mathbf{B}\} A×B={ (a,b)∣a∈A,b∈B}.
6. 一维数据的空间为 $\mathbb{R}$, 二维为 ${\mathbb{R}}^2$, $n$维为 ${\mathbb{R}}^n$.

向量与矩阵

1. 这是行向量 $\mathbf{x}=(x_1,\dots ,x_n)=[x_1,\dots ,x_n]\in {\mathbb{R}}_n$
2. 这是列向量 ${\mathbf{x}}^{\mathrm{T}}=(x_1,\dots ,x_n{)}^{\mathrm{T}}=[x_1;\dots ;x_n]$.
3. 假设矩阵有$n$行$m$列: $X=[x_{ij}{]}_{n\times m}\in {\mathbb{R}}^{n\times m}$.

作业

学习、使用数学表达式时的困难

1. 经常遇到的是符号不统一的问题。如在单标签的有监督学习中，数据集 $\mathbf{D}=(\mathbf{X},\mathbf{Y})$，其中 $\mathbf{X}=({\mathbf{x}}_1,\dots ,{\mathbf{x}}_n)$、$\mathbf{Y}=(y_1,\dots ,y_n)$。这是在上文中写出来的，写到后面可能就会变成 $\mathbf{X}=({\mathbf{m}}_1,\dots ,{\mathbf{m}}_n)$，写的比较随心所欲。

2. 其次是别人的式子写的太复杂，看起来比较头疼。这里的复杂并不是公式本身有多复杂，而是变量太多，许多的符号意义不明。例如在式子(1) 和式子 (2) 中，掺杂着大量未知符号 $h,\mu ,\pi ,a$等，就很难理解。

$$T_{r,h}^{\mu ,\pi }Q(x,a)=h\left({\mathbb{E}}_{\tau \sim T}\left[h^{-1}(Q(x,a))+\sum _{t\ge 0}{\gamma }^t\left(\prod _{s=1}^t{c}_s\right){\delta }_t^h\right]\right),\text{\hspace{1em}(1)}$$

δ t h = r t + γ ∑ a ∈ A π ( a ∣ X t + 1 ) h − 1 ( Q ( X t + 1 , a ) ) − h − 1 ( Q ( X t , A t ) ) . (2) \delta_t^h = r_t + \gamma \sum_{a \in A} \pi (a \vert X_{t+1}) h^{-1}(Q(X_{t+1}, a)) - h^{-1}(Q(X_t, A_t)) \tag{2}. δth​=rt​+γa∈A∑​π(a∣Xt+1​)h−1(Q(Xt+1​,a))−h−1(Q(Xt​,A