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。