机器学习中的数学基础—简单介绍

版权声明：本文为博主原创文章，未经博主允许不得转载。https://blog.csdn.net/qq_28433455/article/details/84728366

一、 机器学习简介

1.机器学习的分类

1)监督学习

2)无监督学习

3)监督学习与无监督学习的区别



4)强化学习（暂不做介绍）

2.机器学习的一般思路

二、主要内容：

机器学习中的数学基础主要涵盖在大学中非数学专业所学：

1.微积分（高等数学）

• 极限
• 微分与泰勒级数
• 牛顿法
• 梯度下降法
• 凸函数与Jensen不等式

2.线性代数

• 线性映射与矩阵
• 矩阵变换与特征值
• 奇异值分解
• 应用举例：PCA算法

3.概率与统计

• 概率与积分
• 条件概率与贝叶斯公式
• 大数定律与中心极限定理
• 矩估计与极大似然估计

4.凸优化选讲

• 优化与凸优化
• 凸集与凸函数
• 对偶问题与KKT条件
• 应用举例：SVM的最简单形式

---

接下来笔者会不时更新有关数学基础的主要内容，主要涉及微积分、线性代数和概率与统计等，其中最为重要的是概率和统计延伸的统计学习方法，会另外开一个专题专门讲解，谢谢大家的关注。