【DataWhale-集成学习】Task01 数学基础

第一章 高等数学

在高等数学这一章节中，主要要掌握函数、导数、多元函数、函数的极值问题。

1.1 函数

函数就是已知数X与未知数Y能够一一对应。可以一对一、多对一，但不存在多对多。

1.2 导数

导数可以说是在某一点的变化率，导数大于0，在增加，导数小于0，在降低。

1.3 多元函数

多元函数表现在不同的平面，比较复杂。对多个未知数求导时，要逐一求导，假设其中一个未知数不动，对另一个未知数求导。。。。。。最后全部相加。

1.4 函数的极值问题

我们可以通过极值确定函数在某个定义域内的结果范围，若这个值不是我们想要的，可以缩小其定义域。
在最优化问题中，经常应用极值进行求解。其实也是在一定的限制条件内，找到最小值或者最大值。

第二章 概率论与数理统计

在概率论与数理统计这一章节中，主要介绍随机事件与概率、全概率和贝叶斯、随机变量。

2.1 随机事件与概率

随机事件在整个事件中，出现的次数是随机的，没有规律可循。概率即在整个事件中，出现的次数除以整个事件的次数的比值，一般是试验次数越多，概率越准确。

2.2 全概率公式和贝叶斯公式

2.3 随机变量

把试验的结果与实数对应起来，随试验结果的不同而变化的量就是随机变量，包含离散型随机变量和连续型随机变量。

第三章 随机过程

在随机过程这一章节中，主要介绍随机过程基本概念、Poisson(泊松)过程和马尔可夫过程(离散时间)。

3.1 随机过程基本概念

在随机过程中，结果会随着随机变量的变化而变化。主要有2个特点：

• 1.同分布。如果随机过程X与随机过程Y有相同的有限维分布，则称他们同分布。
• 2.独立。如果随机过程T中任意选出来的X与从T中选出来的Y是相互独立的，则称两个随机过程独立。

3.2 Poisson(泊松)过程

Poisson过程是一个计数过程，用来描述一段时间内事件的发生次数。

3.3 马尔可夫过程(离散时间)

马尔可夫过程(Markov process)是一类随机过程。强化学习基于马尔可夫过程，研究的问题都可以抽象成马尔可夫过程。其定义为满足马尔可夫性质的随机过程。

马尔可夫性质：当前状态包含了所有相关的历史，只要当前的状态已知，下一个状态的发生可能性就已经确定，不需要知道从开始到当前状态所经历的具体的状态变换。公式如下：