数学表达式: 从恐惧到单挑 (1. 概述)

最新推荐文章于 2021-08-01 16:51:06 发布
最新推荐文章于 2021-08-01 16:51:06 发布
阅读量607 收藏 1
点赞数 7
分类专栏： 数学表达式魔训 文章标签： 机器学习 数学建模
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/minfanphd/article/details/119075590
版权

1. 概述

学好数理化, 走遍天下都不怕. 机器学习用到这点数学知识, 真的不算啥.
本系列贴子为 “2020 smale 暑假魔鬼训练” 准备.

1.1 动机

  • 克服对数学表达式的恐惧. (能力与心理的培养)
  • 从学习到表达. (创造性的培养)
  • 同一篇论文中的符号系统应保证一致性、完备性 (严谨性的培养).

1.2 表达方式比较

论文中表达思想、知识、设计的几种方式:

  • 文字: 柔和, 灵活.
  • 图: 一幅图胜过千言万语. 丰富, 直观.
  • 表: 清晰明了.
  • 代码: 细致.
  • 数学表达式: 准确、简洁.

1.3 数学表达式的几个误区

  • 公式这种说法很具有误导性. 欧拉公式. 应该叫做 equation 或 expression. 已经发表出来的论文, 其数学表达式不一定正确.
  • 数学表达式的特点不是复杂, 而是简单准确 (与文字相比). 有时候看起来复杂, 也可以分解.
  • 数学表达式不是越难懂越好, 而是越简洁易懂越好. 其它表达方式同理.

1.4 如何写好数学表达式

  • 从易到难. 是学习已有表达式的逆过程.
  • 从模仿到表达. 最好找《离散数学》《概率论与数理统计》《机器学习》(西瓜书) 等书籍模仿, 其次是顶刊论文, 一般论文不要去看.
  • 从一而终. 统一风格, 不再受其它文献的影响.
  • 举例说明. 正例与反例.
  • 对比分析. 与已有数学表达式对比.
  • 相互印证. 与文字描述、示意图、运行实例、代码相互印证.
  • 讨论. 相互攻击找碴.

1.5 几条准则

  • 提 "XXX 公式"的时候, 提出者必须是大数学家.
  • 提 “XXX 说” 的时候, 这个人的水平不得低于周志华.
  • 不得将其它可视化工具写的数学表达式转成 latex.

1.6 作业

描述你在学习、使用数学表达式时的困难, 可举例说明.

闵帆
关注
  • 7
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
飞机大战（双人单挑）.sb2
12-28
跟快来下载吧跟快来下载吧跟快来下载吧跟快来下载吧跟快来下载吧跟快来下载吧跟快来下载吧跟快来下载吧跟快来下载吧跟快来下载吧跟快来下载吧
数学表达式: 从恐惧到单挑 (12. 树)
minfanphd的博客
07-31 456
12. 树 树反映了一种层级关系: 一个学校有若干学院、一个学院有若干专业、一个专业有若干老师. 12.1 例子 图 1. 树. 观察: 树是一种特殊的图; 有一个树根; 除树根之外, 其它节点均有父节点; 没有子节点的节点称为叶节点; 从任意节点到树根都只有一条唯一的路径. 思考: 树的边有向还是无向? 12.2 定义 Let ϕ\phiϕ be the empty node, a tree is a triple T=(V,r,p)T = (\mathbf{V}, r, p)T=(V,r,p)
数学表达式: 从恐惧到单挑 (15. 示例讲解)
minfanphd的博客
08-01 376
15. 示例讲解 读懂符号系统, 剩下的就是技术了. 15.1 概率矩阵分解 预备知识: 高斯 (正态) 分布 概率密度函数 p(x∣μ,σ)=12πσexp⁡(−(x−μ)22σ2)(1)p(x \vert \mu, \sigma) = \frac{1}{\sqrt{2 \pi} \sigma} \exp \left(- \frac{(x - \mu)^2}{2 \sigma^2}\right) \tag{1}p(x∣μ,σ)=2π​σ1​exp(−2σ2(x−μ)2​)(1) 概率矩阵分解论文: Rus
数学表达式: 从恐惧到单挑 (5. 函数)
minfanphd的博客
07-27 428
5. 函数 函数的定义域与值域 函数拟合 一会儿再写
数学表达式: 从恐惧到单挑 (14. 决策表)
minfanphd的博客
08-01 404
14. 决策表 决策表是机器学习中常用的概念. 14.1 数值数据 如果采集的数据均为实型值, 标签为二值的 (是/否, 0/1), 相应的决策表称为二分类决策系统. Definition 1. A binary class decision system is a tuple S=(X,Y)S = (\mathbf{X}, \mathbf{Y})S=(X,Y) where X=[xij]n×m∈Rn×m\mathbf{X} = [x_{ij}]_{n \times m} \in \mathbb{R}^{n
数学表达式: 从恐惧到单挑 (2. 集合的表示与运算)
minfanphd的博客
07-25 2238
集合的几种表示方法，以及并、交、幂集等。
数学表达式: 从恐惧到单挑 (4. 二元关系)
minfanphd的博客
07-27 550
4. 二元关系 Definition 4.1 Let A\mathbf{A}A and B\mathbf{B}B be sets. Any R⊆A×B\mathbf{R} \subseteq \mathbf{A} \times \mathbf{B}R⊆A×B is called a binary relation. 4.1 常见的二元关系 如果 A=B=N\mathbf{A} = \mathbf{B} = \mathbb{N}A=B=N, 即它们都为整数集合. 则 R=={(0,0),(1,1),(2,2
数学表达式: 从恐惧到单挑 (9. 线性回归)
minfanphd的博客
07-26 433
7. 线性回归 线性回归是一个常用的机器学习算法. 7.1 拟合 给定数据集 X=[xij]n×m\mathbf{X} = [x_{ij}]_{n \times m}X=[xij​]n×m​ 与其标签 Y=[y1;y2;… ;yn]\mathbf{Y} = [y_1; y_2; \dots; y_n]Y=[y1​;y2​;…;yn​]. 线性回归的目的是获得一个系数向量 w\mathbf{w}w (m×1m \times 1m×1 列向量) 和偏移量 bbb 使得 Xw+b≈Y\mathbf{X} \mat
数学表达式: 从恐惧到单挑 (10. Logistic 回归)
minfanphd的博客
07-28 357
10. Logistic 回归 logistic 回归用于分类, 特别是二分类 (仅有两个类别). 10.1 分割超平面 线性分类模型的目标, 是找到一个超平面, 把正例、负例分割. 问题: 如何评价每个超平面的性能? 方案之一, 是最小化错分对象的数量, 但如果多个超平面都满足条件怎么办? 哪个超平面是最优的, 就体现不同算法的设计理念. 方案方二, 就是根据每个对象到超平面的距离, 来计算其损失. 如果正确分类, 则离超平面越远越好; 如果错误分类, 则离超平面越近越好. 图 1. 分割超平面 10
headsup:NLHE扑克单挑Web应用
05-12
小心 NLHE扑克单挑Web应用程序。
三国杀武将单挑排行榜.pdf
11-09
三国杀武将单挑排行榜.pdf
underthegun:NodeAngularJS单挑扑克扑克应用
05-10
在枪下 用Node和AngularJS编写的平视扑克移动Web应用程序。 依存关系 Node.js 数据库数据库 套接字 表示 萨斯
Time单挑1000+Time时代经典用字.zip
03-25
很经典的英语词汇 找了好久才在网上找到 是word版的 和适合打印
数学表达式: 从恐惧到单挑 (8. 累加、累乘与积分)
minfanphd的博客
07-26 1872
4. 累加与累乘 4.1 累加 整数累加 ∑i=110i\sum_{i = 1}^{10} i∑i=110​i 表示 1+2+⋯+101 + 2 + \dots +101+2+⋯+10. 源码: \sum_{i = 1}^{10} i. Java 代码 int sum = 0; for (int i = 1; i <= 10; i ++) sum += i; 数学表达式的下标习惯从 1 开始, 程序的下标习惯从 0 开始. 写自己程序时应注意. 向量分量累加 ∑i=1nxi\sum_
数学表达式: 从恐惧到单挑 (7. min 与 argmin)
minfanphd的博客
07-26 8714
5. min 与 argmin min 和 argmin 在机器学习中常用. max 和 argmax 同理. 5.1 min min 是 minimal 的缩写, 用于获得集合中的最小值. 如: min⁡{3,1,9,8}=1\min \{3, 1, 9, 8\} = 1min{3,1,9,8}=1. 源码: \min {3, 1, 9, 8} = 1, 即 \min 是定义好的一种符号. min 可以与向量/矩阵配合使用. 如: 给定向量 x=[3,1,9,8]\mathbf{x} = [3,
数学表达式: 从恐惧到单挑 (3. 向量与矩阵)
minfanphd的博客
07-25 744
3. 向量与矩阵 3.1 向量 一个 mmm 维向量是 mmm 维空间的一个点. 向量与集合的记法相同, 都可以用 \mathbf, \bm, 或 \boldsymbol. x∈Rm\mathbf{x} \in \mathbb{R}^mx∈Rm. 向量可记为 x=(x1,x2,…,xm)\mathbf{x} = (x_1, x_2, \dots, x_m)x=(x1​,x2​,…,xm​) 或 x=[x1,x2,…,xm]\mathbf{x} = [x_1, x_2, \dots, x_m]x=[x1​,
数学表达式: 从恐惧到单挑 (6. 向量/矩阵的范数)
minfanphd的博客
07-26 616
6. lpl_plp​ 范数 6.1 l0l_0l0​ 范数 6.2 l1l_1l1​ 范数 6.3 l2l_2l2​ 范数 6.4 l∞l_\inftyl∞​ 范数 无穷的源码: \infty, 为 infinity 的简写. 6.5 作业
数学表达式: 从恐惧到单挑 (符号表)
minfanphd的博客
07-25 563
这里列出常用符号表, 便于查阅. 有些符号还需要逐步加入. 表1. 符号表. 其中“文字”在两边加上$符号即变成左边的符号. 符号 文字 涵义 备注 xxx x 标量 小写字母 x\mathbf{x}x \mathbf{x} 向量 小写字母 X\mathbf{X}X \mathbf{X} 矩阵、集合 大写字母 xT\mathbf{x}^{\mathrm{T}}xT \mathbf{x}^{\mathrm{T}} 向量转置 T 表示 transpose 说明: 向
def slice_enc(data, slice_rate=rate[1] + rate[2]): """将数据切分为前面多少比例，后面多少比例. :param data: 单挑数据 :param slice_rate: 验证集以及测试集所占的比例 :return: 切分好的数据 """ keys = data.keys() Train_Samples = {} Test_Samples = {} for i in keys: slice_data = data[i] all_lenght = len(slice_data) end_index = int(all_lenght * (1 - slice_rate)) samp_train = int(number * (1 - slice_rate)) # 700 Train_sample = [] Test_Sample = [] if enc: enc_time = length // enc_step samp_step = 0 # 用来计数Train采样次数 for j in range(samp_train): random_start = np.random.randint(low=0, high=(end_index - 2 * length)) label = 0 for h in range(enc_time): samp_step += 1 random_start += enc_step sample = slice_data[random_start: random_start + length] Train_sample.append(sample) if samp_step == samp_train: label = 1 break if label: break是做什么
最新发布
06-01
这段代码是一个将数据切分为训练集和测试集的函数，其中`slice_rate`表示验证集和测试集所占的比例。函数中通过计算数据长度和`slice_rate`来确定切分位置，将数据分成训练集和测试集，然后在训练集中进行数据采样，其中`samp_train`表示训练集的长度，`enc_time`表示采样次数，`samp_step`用来计算采样次数，`enc_step`表示采样的步长。函数的作用是为机器学习模型的训练和测试提供数据集。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值