写在前面: 每节整理了思维导图,Click here ,提取码:2333
文章目录
一、机器学习与数学分析
1.数学分析
1.1 导数与梯度
1.2 Taylor展开的应用
2.概率论基础(1)
2.1 古典概型
2.2 频率学派与贝叶斯学派
待更新
二、概率论与贝叶斯先验
1.概率论基础(2)
1.1 概率与直观
1.2 常见概率分布
1.3 Sigmoid/Logistic函数的引入
2.统计量
2.1 期望/方差/协方差/相关系数
2.2 独立和不相关
3.大数定律
4.中心极限定理
5.最大似然估计
5.1 过拟合
三、矩阵和线性代数
1.矩阵
1.1 线性代数有用性:以SVD为例
参考博客:
【1】奇异值分解(SVD)
【2】特征分解与奇异值分解
1.2 矩阵的乘法/状态转移矩阵
参考博客:
【1】马尔科夫链与转移矩阵
【2】马尔可夫链算法原理与实现
1.3 矩阵和向量组
2.特征值和特征向量
2.1 对称阵、正交阵、正定阵
2.2 数据白化
2.3 正交基
2.4 QR分解/LFM