![](https://img-blog.csdnimg.cn/20210121153257922.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
机器学习数学基础
文章平均质量分 88
主要收录小小白原创的数学基础blog
AI小小白_XP
人工智能专业的AI职场新人,欢迎各位大佬指教
展开
-
机器学习数学基础之四多维高斯分布
多维高斯分布概率密度函数首先给出多维高斯分布的概率密度函数:p(x∣μ,Σ)=1(2π)p2∣Σ∣12exp{−12(x−μ)TΣ−1(x−μ)}p(x|\mu,\Sigma)=\frac{1}{(2\pi)^{\frac{p}{2}}|\Sigma|^{\frac{1}{2}}}exp\{-\frac{1}{2}(x-\mu)^T\Sigma^{-1}(x-\mu)\}p(x∣μ,Σ)=(2π)2p∣Σ∣211exp{−21(x−μ)TΣ−1(x−μ)}其中,x⃗∈Rp,μ\vec{x}\i原创 2021-01-23 14:30:01 · 1202 阅读 · 0 评论 -
机器学习数学基础之三奇异值分解(SVD)
奇异值分解(Singular Value Decomposition,SVD)引入在上一节中我们回顾了矩阵的特征分解,但是特征分解只能对方阵进行(当然有的方阵可能也无法进行特征分解),那对于任意的一个矩阵 A∈Rm×nA\in{R^{m\times{n}}}A∈Rm×n 是否也能进行矩阵分解呢?答案是肯定的,那就是本节我们要介绍的奇异值分解(SVD)。在正式介绍SVD之前,我们先来思考一下: y⃗=Ax⃗\vec{y}=A\vec{x}y=Ax 代表什么意义?我们可以认为,矩阵 AAA 代表了一种线原创 2021-01-23 10:26:37 · 283 阅读 · 0 评论 -
机器学习数学基础之二方阵的特征分解
机器学习数学基础之二方阵的特征分解方阵的特征分解特征分解的内容在《线性代数》这门课程里边讲过,现在算是对相关内容做一下简单回顾。【特征值&特征向量】:对于方阵 AAA,若存在一个数 λ\lambdaλ 和一个向量 v⃗\vec{v}v 使得 Av⃗=λv⃗A\vec{v}=\lambda\vec{v}Av=λv 成立,那么我们称 λ\lambdaλ 为矩阵 AAA 的特征值, 向量 v⃗\vec{v}v 称为矩阵 AAA 的特征向量。【特征向量的求解】:关于如何求解特征向量和对应的特征值,在原创 2021-01-22 12:26:01 · 302 阅读 · 0 评论 -
机器学习数学基础之一矩阵求导
机器学习数学基础之一(矩阵求导)矩阵求导【注】:本文采用分子布局(numerator layout)【符号约定】:y⃗∈Rm;x⃗∈Rn;x,y∈Rm×n;X,Y∈Rm×n;\vec{y}\in{R^m};\vec{x}\in{R^n};x,y\in{R^{m\times{n}}};X,Y\in{R^{m\times{n}}};y∈Rm;x∈Rn;x,y∈Rm×n;X,Y∈Rm×n;I 第一部分 基本求导公式一、向量对标量求导dy⃗dx=[dy1dx,dy2dx,...,dymdx]T\fra原创 2021-01-21 15:24:13 · 277 阅读 · 0 评论