机器学习与数学分析

机器学习与本课程示例概述
机器学习的角度看数学
数学分析
导数与梯度
Taylor展式的应用
概率论基础
古典概率
频率学派与贝叶斯学派
常见概率分布
Sigmoid/Logistic函数的引入
假如有房价数据：

这个函数越低越好。给定某一种学习方式，按照不断地迭代，到达最低点，这样有点，损失函数最小，认为是最优参数，需要解决的几个问题：
1.模型是如何建立的（线性模型还是非线性模型）
2.目标函数是如何得到的
3.在迭代过程中，如何能让模型越来越好的学下去（梯度下降，牛顿法。。）
4.有些超参数，需要调参，如何调参
可能有些模型中没有预测值，我们把参数带进去就可以算出预测值


SVM：高斯核函数的影响

HMM分词

LDA

例如一个石油检测结果处理

能得到最突出的问题

对函数的上升速度

当x= 1的时候，一定经过（0，1），当a等于几，切线斜率为1呢


简单来说，导数就是曲线的斜率，是曲线变化快慢的反应
二姐导数是斜率变化快慢的反应，表征曲线的凹凸性，二姐导数连续的曲线，称之为光顺的（加速度的方向总是指向轨迹曲线凹的一侧）


Taylor公式- Maclaurin公式

方向导数：

梯度：

梯度下降：

y = x**2
梯度是如何下降的？
假设上图，从x=3处开始迭代，沿着y的倒数：2x，也就是23=6。假定学习率是0.1，那么就是3-60.1=2.4,跑到了2.4这个位置，这样不断下降
如果有一个幂函数xⁿ，一个指数函数e^-x现在让他们从0到正无穷进行积分

凸函数