算法数学基础：机器学习与数学分析

第一部分：机器学习

一.概述

人工智能的一个分支。设计一个系统，使它能够根据提供的训练数据按照一定的方式学习，随着训练次数的增加，该系统可以在性能上不断学习和改进；通过参数优化的学习模型，能够用于预测相关问题的输出。

二.用途

1.机器学习可以进行数据清洗、特征选择；确定算法模型、参数优化；结果预测等；
2.机器学习并不是：大数据存储、并行计算；做机器人等。

三.流程

数据收集、数据清洗、特征工程、数据建模。

第二部分：数学分析

一.常用函数导数

二.积分应用

1.n的阶乘的对数：

将n的阶乘的对数转化为若干对数之和，再利用积分公式求解：

2.gama函数：用于计算某些非整数的阶乘

三.泰勒公式、麦克劳林公式

1.泰勒公式：函数f(x)可以在某点x0处展开

2.麦克劳林公式：x0=0，即在x=0点展开的泰勒公式

3.应用及注意事项
1)x=0处展开：

注意：不同的展开点，其收敛域是不同的。在收敛域之外，泰勒级数是发散的，无法对原函数进行预测。 不同的展开点，对于特定的预测任务所需要的计算复杂度不同。

2)计算f(x)=exp(x)的值，给定x：

四.方向导数与梯度

1.方向导数：

2.梯度：

注：梯度的方向是函数在该点方向导数最大的方向

五.凸函数

1.定义法：函数定义域内，任意两点连线，两点间任一点的函数值小于同坐标连线上的值。

2.如果函数一阶可微：

3.如果函数二阶可微：

备注

一·.常见词汇

1.scale----规模
2.scalability----可扩展性
3.embed----嵌入
4.embedability----可嵌入性
5.convex optimization----凸优化，凸函数最小化