茶桁专栏

和制作Python篇的电子书的时候不同, 为了对数学篇进行付费的小伙伴们负责, 这次整个数学篇的电子书都一篇一篇进行了修正, 有些篇章更是重新写了一遍. 然后用Latex来重新设计和制作排版, 等于是整本书基本上都重构了一遍.

树其实是图的一种，首先呢它是一个连通图，是一个不含圈的连通图。什么叫连通图呢？连通图其实很简单，就是任意两个顶点，都有一条路径能使它们相连。

在图中，有一个最短路径问题，非常的有意思，也非常重要。如果你曾学算法数据结构的话，肯定会遇到这种问题。我们今天就来探讨一下，怎么样用图论的思想或者说角度去处理这种问题。首先我们有一个赋权图，这个图里面它是只对边去做了一个赋值。这些边都有一个权重，这些顶点ABCDE代表了不同的城市，权重代表了不同城市间的一个距离。我给定一个起点，让你求从这个起点出发，到剩下的任意一个点的最短路径。这个要怎么求？

之前的一节课中，我们了解了图的来由和构成，简单的理解了一下图的一些相关概念。那么这节课，我们要了解一下图的表示，种类。相应的，我们中间需要穿插一些新的知识点用于更好的去理解图，比如说邻接矩阵。

图论其实是一个比较有趣的领域，因为微积分其实更多的是对应连续型的一种数据处理。比如说定义域的取值，它是可以取连续的数字的，比如说实数级，它本身就是一个连续的，而线性代数和图论非常像，他们往往关注离散型的这种结构。在之前我们已经了解过了线性代数，包括矩阵，以矩阵为中心的线形代数。它是我们在人工智能领域里面所需要用到的最频繁的一种数据结构。包括我们说人工智能去优化，要用反向传播，前向传播，到底是什么样的东西去传播其实就是我们的矩阵。包括我们要优化东西，其实也是各种模型里面以矩阵的形式承载的参数。

Hi, 你好。我是茶桁。今天让我们来学习一下「贝叶斯统计」和「机器学习分类指标」，这两部分结束之后，咱们《概率和统计》的部分就结束了。不知道这段时间的内容对大家是否有帮助。

在上一节中，我们最后有谈到随机变量。在概率论几统计学中，描述一个随机变量的离散程度的有方差、标准差等等。那么在这节课中，我们就来好好看看这些概念。不过在这之前呢，我们先来看看什么是「数学期望」。

古典概型其实非常简单，我们基本上在高中就应该学过这部分内容。它是我们在概率学习之路上的一个启蒙者，是我们第一个遇到的一种概率模型。首先我们来正儿八经的去看一下它这个定义：若一个随机试验包含的基本事件的数量是有限的，且各个基本事件发生的可能性均相等，则此种概率模型称为古典概型。

这节课，我们先说一下从一个频数和频率去看待这个概率。为什么我们遇到一些决定不了的事情的时候很多人会选择去抛硬币呢？比如说正面朝上代表着去做某一个决定，反面朝上就表示维持现状。那为什么人会倾向于用这个抛硬币的方式去决定选择呢？

之前我说到，这节课内容说多不多，说少不少。为什么呢？看似这节课的概念很多，但是其实都非常简单。就像这一部分，「线性空间」， 看上去很复杂的样子，其实内容特别的简单。就相当于在一个新的地方给你说了一下加法和乘法运算。对，就是就是这么简单。我们要理解的仅仅是概念而已。可是，为什么会有这么复杂的东西？因为数学是一个非常严谨的东西，如果我们要考虑到它内在的一些完备性，那我们必须用词非常严谨，把所有该说的话全部说出来，所以就显得很啰嗦。

根据上一节课的预告，咱们这节课要进入神经网络中，看看神经网络中的矩阵/向量。然后再来详细了解下矩阵的性质。毕竟咱们的课程并不是普通的数学课，而是人工智能的数学基础。那为什么人工智能需要这些数学基础，它是怎么用的，那在这节课中，我就给大家讲讲矩阵的这一部分。

我们已经学习过很多关于矩阵的知识点，今天依然还是矩阵的相关知识。我们来学一个相关操作「矩阵的转置」，更重要的是我们需要认识「矩阵的逆」

之前的课程我们一直在强调，矩阵是线性方程组抽象的来的。那么既然我们抽象出来了，有没有一种比较好的办法高效的来求解这个线性方程组？不然抽象出来也没什么意义。那么这个时候，我们就引入了「克拉默法则」。克拉默法则是一种用于求解线性方程组的方法，特别适用于方程组的系数矩阵是可逆的情况。它允许我们通过计算矩阵的行列式和一系列辅助矩阵的行列式来找到方程组的解。

久而久之人类就发现，这东西是有一定规律的。求解这些方程组是有一定的套路、有一定规律的，所以慢慢的人类就变得聪明起来了，就把线形方程组给它去做了一个抽象，把系数以及它的常数给抽象出来，形成了这么一个矩阵的东西

以泰勒展开为结束点，我们今天的课程到这里也就结束了。微积分相关的内容到这里就全部讲完了，当然，我所讲的这些内容，在熟悉之后应付人工智能是能应付了，但是远远不是微积分的所有内容，并且讲的也并不细致，所以不要将我所讲的这些内容当作正规的数学教材。如果您是为了去理解和学习数学，那么就当作我给你开了一个窗，入门的话，还需要正规的数学教材去系统的好好学一下。

之前提到过，梯度的方向是函数变化最快的方向。因为任何方向，只有和梯度保持同向的时候，方向导数才最大。所以，梯度的方向是函数变化最快的方向。这是一个很重要的一个结论，我们在人工智能，以及神经网络的领域里面，为什么我们用的算法都是以梯度下降为基础的？原因就在于梯度方向是下降、上升最快的。我们其他的方向可以不用看，就把握住梯度就可以了。

本来这个向量箭头非常长，但是因为有这么一个角度，它投射在坐标的某一个方向上，垂直于某一个方向的时候，它其实是有一个压缩的，我们就把它叫做投影，这和我们生活当中的投影也是非常类似。所以，它和一元函数的导数的情况不太一样，它的因变量相对于每一个自变量都有一个导数，是针对于每一个单独自变量所求出来的导数，所以称为偏导数。就像我们现在这张图里，在曲面上面任取一个方向，比如说把红线再稍微转一点它就是一个新的方向，再转一点呢，又是一个新的方向。也就得到竖值方向，也就是z轴上面的一个值，形成一个曲面。

当自变量$x$的变化趋于无穷小的时候,我们用$dx$来表示。因变量$f(x)$的变化情况, 我们用$df(x)$来表示，在这里$df(x)$等于$f'(x)dx$。所以微分它和导数是不一样的。导数是什么？是函数在某一点的**变化率**，是$\frac{df(x)}{dx}$。微分呢，是函数在某一点的**变化量**，所以一个是**变化率**一个是**变化量**。这就是它们唯一的区别。

我们来看这个定义，一共三个等号。其中，最右边的等号之前，包括$y'$、$\frac{dy}{dx}$、还有$f'(x)$，都是导数的一种表示方式。那等号右边，就是导数的正式定义，当h趋近于0的时候，我在这个函数图像上分别取了两个点，一个是x，一个是x+h。这两个点的距离不断缩小，也就是当这个h不断趋近于0的时候，函数图像上的这两点就几乎重合了。

上一节课我们讲了极限，很多小伙伴下来后跟我留言说有点懵。不必太过在意，慢慢的多看几遍去理解，并且，极限也并不是特别核心的问题，暂时先放一放也可以。本节课，我们要讲的内容是「连续」。

那我们怎么样从数学的角度去严谨严密的描述极限是怎么一回事呢？比如说，什么样才叫无限逼近某一个量呢？以及这个量可以到达吗？也就是说，这个极限我可以取到吗？还是说我永远只能逼近他，却永远达不到。这听着就感觉有点伤感啊，就像一个男生追一个女生。男生喜欢女生，但女生呢对这个男生不感冒，所以这个男生就很痛苦，他就一直到达不了这个女生的内心。那究竟极限是否也是这样子呢？我们现在就来看一下。

我们开始的第一个内容，就是函数。像我们在基础课里面说过的函数，它是有很多种不同样的形状的。可以是一元，也可以是多元的。就比如说我们这里的这个一次函数、还有二次函数、正旋、以及指数函数、对数函数。

后来呢，有人把这些问题给他抽象化，用这些顶点和边来表示，然后后来通过这个图论上面的方法证明出来了，这个柯尼斯堡七桥问题是无解的，没办法说从某一点走出不重不漏的走过任何桥然后回到顶点。这个杯子的这个把也是有个环，你这个杯的深度可以通过伸缩变成一个实心的，凹下去就没有这个内容的空间了。它会把你点击的这些商品用图的这种结构给它连接在一起，然后用图论方面的方式去处理，看下一次给你去推荐什么样的东西。所以说在图论里面，我们这个线段的这个长度以及顶点的这个大小，或者说形状什么的不影响这个图的本质。

剩下的不确定或者说有可能，对应的叫做随机事件，就是它既有可能发生，也有可能不发生。这一部分，就是我们概率学里面关注的一个重点。因为前两种情况都都太简单了，都没研究它的必要。

文章目录矩阵鸡兔同笼线性方程组矩阵的运算矩阵的转置矩阵的逆Hi, 大家好。我是茶桁。上节课我们带大家回顾了一下函数和导数的相关概念，微积分的部分并未结束，后面还有很多详细的相关内容。但是在基础课中，我们暂时先学这么多。那么这节课，我们来回顾一下线性代数的基础。矩阵线性代数，我们在基础课里主要是讲矩阵相关的东西。大家肯定都听过矩阵, 我们经常会听到“对矩阵做什么运算，克拉莫法则、Jacobian matrix“之类的。但是为什么需要矩阵呢？我们先看下面这个公式，矩阵的形式就是这样子：[a11

我们需要用几节课来对一些基础的数学内容进行一下回顾，能回忆的起来的小伙伴非常优秀，回忆起来也没关系，跟着我的节奏往后走就可以了。本节课，我们先来回顾一下微积分的基础（导数）。首先，我带大家回顾一下：函数它是一个什么样的东西。按照我们记忆或者说印象当中的，函数是左边一个因变量y(通常用y来表示), 右边是一个函数式子: y=x+1y = x+1y=x+1，函数式里面包含了次变量。我们来看四张图：这些图像，有的是函数，有的不是函数。大家知道这四个图像里面，哪一个不代表着函数图像吗？就是左上这个并不是函数。因为什

本节课的内容是「数学篇」的第一节课。本节是一个导论。我会为大家介绍一下这门课一些理论，还有微积分、线性代数、概率统计里面一些比较基础、和AI结合非常紧密的一部分，难度并不会很大。觉得自己数学能力还是不错的，这第一节课呢可以不用看，可以直接去看后面的课程。第一节课，我们放松一点。这节课难度真的不会特别的大，主要是带大家了解一些比较有趣味性以及AI方面一些基础性的数学知识。