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: a \mathrm{a} a、 a {a} a.
2. 这个 ∅ \emptyset ∅才是空集,这个 ϕ \phi ϕ不是.
3. A ∪ B \mathbf{A} \cup \mathbf{B} A∪B、 ⋃ i = 1 n A i \bigcup_{i=1}^n \mathbf{A}_i ⋃i=1nAi、 A ∩ B \mathbf{A} \cap \mathbf{B} A∩B、 ⋂ i = 1 n B i \bigcap_{i=1}^n \mathbf{B}_i ⋂i=1nBi、 A ∖ B \mathbf{A} \setminus \mathbf{B} A∖B、 A ‾ \overline{A} A、 B ‾ \underline{B} B.
4. A \mathbf{A} 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 R \mathbb{R} R, 二维为 R 2 \mathbb{R}^2 R2, n n n维为 R n \mathbb{R}^n Rn.
向量与矩阵
1. 这是行向量 x = ( x 1 , … , x n ) = [ x 1 , … , x n ] ∈ R n \mathbf{x} = (x_1, \dots, x_n) = [x_1, \dots, x_n] \in \mathbb{R}_n x=(x1,…,xn)=[x1,…,xn]∈Rn
2. 这是列向量 x T = ( x 1 , … , x n ) T = [ x 1 ; … ; x n ] \mathbf{x}^\mathrm{T} = (x_1, \dots, x_n)^\mathrm{T} = [x_1; \dots; x_n] xT=(x1,…,xn)T=[x1;…;xn].
3. 假设矩阵有 n n n行 m m m列: X = [ x i j ] n × m ∈ R n × m X = [x_{ij}]_{n \times m} \in \mathbb{R}^{n \times m} X=[xij]n×m∈Rn×m.
作业
学习、使用数学表达式时的困难
-
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 D = ( X , Y ) \mathbf{D} = (\mathbf{X}, \mathbf{Y}) D=(X,Y),其中 X = ( x 1 , … , x n ) \mathbf{X} = (\mathbf{x}_1, \dots, \mathbf{x}_n) X=(x1,…,xn)、 Y = ( y 1 , … , y n ) \mathbf{Y} = (y_1, \dots, y_n) Y=(y1,…,yn)。这是在上文中写出来的,写到后面可能就会变成 X = ( m 1 , … , m n ) \mathbf{X} = (\mathbf{m}_1, \dots, \mathbf{m}_n) X=(m1,…,mn),写的比较随心所欲。
-
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 , μ , π , a h, \mu, \pi, a h,μ,π,a等,就很难理解。
T r , h μ , π Q ( x , a ) = h ( E τ ∼ T [ h − 1 ( Q ( x , a ) ) + ∑ t ≥ 0 γ t ( ∏ s = 1 t c s ) δ t h ] ) , (1) 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) \tag{1}, Tr,hμ,πQ(x,a)=h(Eτ∼T[h−1(Q(x,a))+t≥0∑γt(s=1∏tcs)δth]),(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