机器学习--数学基础加强1

最新推荐文章于 2024-08-15 15:56:13 发布
最新推荐文章于 2024-08-15 15:56:13 发布
阅读量436 收藏
点赞数
分类专栏： 机器学习-数学加强
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/qq_42749341/article/details/107635269
版权

数学加强

一、机器学习

1、什么是机器学习

对于某给定的任务T，在合理的性能度量方案P的前提下，某计算机程序可以自主学习任务T的经验E；随着提供合适、优质、大量的经验E，该程序对于任务T的性能逐步提高。

  • 换个表述
    机器学习是人工智能的一个分支。我们使用计算机设计一个系统，使它能够根据提供的训练数据按照一定的方式来学习；随着训练次数增加，该系统可以在性能上不断学习和改进；通过参数优化的学习模型，能后用于预测相关问题的输出。

2、机器学习可以解决什么

给定数据的预测问题

  • 数据清洗/特征选择
  • 确定算法模型/参数优化
  • 结果预测

3、数据挖掘/机器学习的流程

数据收集->数据清洗->特征工程->数据建模

二、数学分析

1.对数函数简单分析

对数函数底数为多少时，在x=1处斜率为1
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.导数

  • 一阶导数是曲线的斜率，是曲线变化快慢的反应
  • 二阶导数是斜率变化快慢的反应，表征曲线的凹凸性

1）常用函数的导数

在这里插入图片描述

2）应用一：幂指函数

在这里插入图片描述
两边取对数
在这里插入图片描述
在这里插入图片描述

3.Taylor公式—Maclaurin公式（x0=0）

在这里插入图片描述

1）应用1：数值计算

在这里插入图片描述
变换以ln2为进制
在这里插入图片描述

2）应用2：Gini系数的图像、熵、分类误差率之间的关系

在这里插入图片描述
在这里插入图片描述

4.方向导数

在这里插入图片描述

5.梯度

在这里插入图片描述
沿着夹角就是方向导数

6. 伽玛函数

在这里插入图片描述

7.凸函数

在这里插入图片描述

1）一阶可微

在这里插入图片描述

2）二阶可微

在这里插入图片描述
在这里插入图片描述

▽²f(x) > 0,若f是多元函数，是表示二阶导Hessian矩阵正定
正定符号：
在这里插入图片描述

3）凸函数举例

在这里插入图片描述
重点：
在这里插入图片描述
soft-max回归
在这里插入图片描述

8.概率论的简单认识

概率密度函数缩写：PDF在这里插入图片描述

在这里插入图片描述

9.古典概型

在这里插入图片描述
在这里插入图片描述
实例：生日悖论
在这里插入图片描述

11.装箱问题—插板法

在这里插入图片描述
在这里插入图片描述
与组合数的关系
在这里插入图片描述
在这里插入图片描述
熵：是混乱程度的反应
在这里插入图片描述

qq_42749341
关注
专栏目录
机器学习-数学基础加强_数学分析
Blood_dunk的博客
01-20 238
机器学习-数学基础加强_数学分析什么是机器学习导数常用的函数导数方向导数梯度凸函数一阶可微二阶可微凸函数举例概率论装箱问题与组合数的关系 什么是机器学习 对于某给定的任务T，在合理的性能度量方案P的前提下，某计算机程序可以自主学习任务T的经验E；随着提供合适、优质、大量的经验E，该程序对于任务T的性能逐步提高。 这里最重要的是机器学习的对象： 任务Task,T，一个或者多个 经验Experience,E 性能Performance,P 即：随着任务的不断执行，经验的累积会带来计算机性能的提升。
数学基础加强1---机器学习与数学分析
柳杰的博客
07-21 231
文章目录一、机器学习1.什么是机器学习？2.机器学习可以解决什么？二、数学分析1.对数函数简单分析2.导数1）常用函数的导数2）应用一：幂指函数3）应用二：ln N!--->N(lnN - 1)3.Taylor公式---Maclaurin公式1）数值计算2）应用二：Gini系数的图像、熵、分类误差率之间的关系4.方向导数5.梯度6. 伽玛函数7.凸函数1）一阶可微2）二阶可微3）凸函数举例8.概率论的简单认识9.古典概型实例：生日悖论11.装箱问题---插板法与组合数的关系 一、机器学习 1.什么是机
机器学习---数学基础加强01
fafagege11520的博客
12-25 95
机器学习—数学基础加强01 文章目录机器学习---数学基础加强011. 机器学习基础知识2. 高数3. 概率4. 统计数字的概率5.常用分布6. 1. 机器学习基础知识 模型 目标函数 参数调整方法 超参数的给定 2. 高数 割线位于函数值的上方 3. 概率 PDF：概率密度函数 4. 统计数字的概率 5.常用分布 马同学图解：https://blog.csdn.net/ccnt_2012/article/details/81114920 新买元器
机器学习----神经网络技术详解
qq_42538588的博客
08-01 2348
机器学习（Machine Learning, ML）是一种人工智能（Artificial Intelligence, AI）技术，它使计算机能够通过经验自动改进性能，而不需要明确编程。机器学习的核心在于从数据中提取模式和知识，从而使系统能够做出预测或决策。机器学习的方法可以分为监督学习、无监督学习和强化学习等几种主要类型。监督学习：在监督学习中，模型通过一组带标签的训练数据进行训练。训练过程的目标是使模型能够根据输入数据预测正确的标签。例如，分类问题和回归问题都是监督学习的典型应用。
机器学习-线性回归（Linear Regression）
数据客
12-05 2124
1.什么是线性回归 线性：两个变量之间的关系是一次函数关系的——图象是直线，叫做线性。 非线性：两个变量之间的关系不是一次函数关系的——图象不是直线，叫做非线性。 回归：人们在测量事物的时候因为客观条件所限，求得的都是测量值，而不是事物真实的值，为了能够得到真实值，无限次的进行测量，最后通过这些测量数据计算回归到真实值，这就是回归的由来。 2. 能够解决什么样的问题 对大量的观测数据进行处理，从而得到比较符合事物内部规律的数学表达式。也就是说寻找到数据与数据之间的规律所在，从而就可以模拟出结果，也就
机器学习-卷积神经网络（CNN）
qq_42538588的博客
08-15 2557
交叉熵损失用于评估预测概率分布与实际标签分布之间的差异。对于一个多分类问题，交叉熵损失 ( L ) 的定义为：( C ) 是类别数。( y_i ) 是实际标签的指示函数。如果样本属于第 ( i ) 类，则 ( y_i = 1 )，否则为 ( 0 )。( \hat{y}_i ) 是模型对第 ( i ) 类的预测概率。均方误差 ( L ) 定义为：( N ) 是样本数量。( y_j ) 是真实值。( \hat{y}_j ) 是预测值。
机器学习--综述
love1005lin的博客
03-15 4195
机器学习综述 2016年3月，阿尔法围棋与围棋世界冠军、职业九段棋手李世石进行围棋人机大战，以4比1的总比分获胜. 深度学习开始进行大众的视野中. 深度学习其实是机器学习的一个分支,我们今天来看看机器学习是什么. 机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径. 机器学习的发展 其中，机器学习（Machi
机器学习---强化学习
weixin_43961909的博客
02-19 1946
1. 什么是强化学习在连接主义学习中，在学习的方式有三种：非监督学习(unsupervised learning)、监督学习(supervised leaning)和强化学习。监督学习也称为有导师的学习，需要外界存在一个“教师”对给定输入提供应有的输出结果，学习的目的是减少系统产生的实际输出和预期输出之间的误差，所产生的误差反馈给系统来指导学习。非监督学习也称为无导师的学习。它是指系统不存在外部教师指导的情形下构建其内部表征。学习完全是开环的。
【一起啃西瓜书】机器学习-期末复习
风口IT猪的成长录
12-09 8710
【机器学习-期末复习爆肝2w字笔记整理分享】 《机器学习》致力于研究如何通过计算的手段，利用经验来改善系统自身的性能，从而在计算机上从数据（经验）中产生“模型”，用于对新的情况给出判断（利用此模型预测未来的一种方法）。 分为三类：监督学习、元监督学习、强化学习。
shenlan学院机器学习数学基础（源码+课件）
03-11
《机器学习数学基础》课程资料包含了丰富的学习资源，旨在帮助学员深入理解并掌握机器学习所需的数学基础知识。课程涵盖了从函数求导、BP算法到概率统计等多个关键领域，为后续的机器学习实践打下坚实的基础。 首先...
机器学习-深度学习概论
05-05
深度学习是机器学习的一个分支，它借鉴了人脑的学习机制，通过构建多层的神经网络架构来学习数据的多层次表示。这些层次从低级到高级，逐渐抽象和解析输入信息，使得模型能从原始数据中自动提取特征并进行学习。深度...
基于FPGA的智能车牌检测系统设计与实现
11-08
内容概要：本文介绍了一种基于FPGA的智能车牌检测系统。该系统采用了OV5640摄像头进行图像采集，通过FPGA集成化开发环境进行图像处理，主要包括图像格式转换、图像灰度化、图像增强、边缘检测、腐蚀膨胀、投影定位等技术步骤。该系统能够在复杂环境中快速实现车牌的图像采集及定位，提高了车牌检测的效率和准确性。 适合人群：具备一定嵌入式系统和图像处理基础的研究人员和技术人员。 使用场景及目标：适用于智慧交通管理系统，尤其是停车场、高速公路、智能制造等领域，主要用于实现实时的车牌检测与识别。 其他说明：系统采用Sobel算子进行边缘检测，中值滤波进行图像增强，投影定位确定车牌位置，整体处理效率较高，适用于复杂光照条件下的车牌检测。
【java毕业设计】springbootJava学生选课系统(springboot+vue+mysql+说明文档).zip
11-08
项目经过测试均可完美运行！ 环境说明： 开发语言：java 框架：ssm jdk版本：jdk1.8 数据库：mysql 5.7+ 数据库工具：Navicat11+ 管理工具：maven 开发工具：idea/eclipse 部署容器：tomcat7+
JDK-API-1-6-zh-CN
11-08
JDK API 1.6 中文版，附使用说明
【java毕业设计】springbootJava校车管理信息系统(springboot+vue+mysql+说明文档).zip
11-08
项目经过测试均可完美运行！ 环境说明： 开发语言：java 框架：ssm jdk版本：jdk1.8 数据库：mysql 5.7+ 数据库工具：Navicat11+ 管理工具：maven 开发工具：idea/eclipse 部署容器：tomcat7+
resnet模型-python语言pytorch框架训练识别动物-不含数据集图片-含逐行注释和说明文档.zip
最新发布
11-08
本代码是基于python pytorch环境安装的。 下载本代码后，有个环境安装的requirement.txt文本 首先是代码的整体介绍 总共是3个py文件，十分的简便 本代码是不含数据集图片的，下载本代码后需要自行搜集图片放到对应的文件夹下即可 需要我们往每个文件夹下搜集来图片放到对应文件夹下，每个对应的文件夹里面也有一张提示图，提示图片放的位置 然后我们需要将搜集来的图片，直接放到对应的文件夹下，就可以对代码进行训练了。 运行01生成txt.py,是将数据集文件夹下的图片路径和对应的标签生成txt格式,划分了训练集和验证集 运行02CNN训练数据集.py,会自动读取txt文本内的内容进行训练，这里是适配了数据集的分类文件夹个数，即使增加了分类文件夹，也不需要修改代码即可训练 训练过程中会有训练进度条，可以查看大概训练的时长,每个epoch训练完后会显示准确率和损失值 训练结束后，会保存log日志，记录每个epoch的准确率和损失值 最后训练的模型会保存在本地名称为model.ckpt 运行03pyqt界面.py，就可以实现自己训练好的模型去识别图片了
仿iphone的listview下拉更新.zip
11-08
内容概要：本资源聚焦 Android 编程实战，包含毕业设计示例、完整的 Android 项目源码及文档分享。采用 MVC 模式进行架构设计，结合 JSP 技术与 SQL Server 2000 数据库管理系统，实现高效的 Android 应用开发。 适用人群：Android 开发初学者、计算机专业学生进行毕业设计参考、希望提升 Android 开发技能的程序员。 实用场景及目标：适用于开发各类 Android 应用项目，帮助开发者快速构建稳定、功能丰富的应用程序，同时为毕业设计提供优质的模板和思路。 说明：资源提供了详细的代码注释和文档说明，方便学习者理解和上手，助力提升 Android 开发能力和项目实战经验。
【Unity 插件】Photon Multiplayer Template (For Game Creator 2)
11-08
文件名：Photon Multiplayer Template For Game Creator 2.unitypackage Photon Multiplayer Template (For Game Creator 2) 是一款专为 Game Creator 2 用户设计的 Unity 插件，它集成了 Photon Networking 系统，用于快速创建多人在线游戏。该插件使得开发者可以在 Game Creator 2 的基础上，无需深厚的网络编程经验，就能快速实现多人游戏功能。它为 Unity 项目提供了一套简单而强大的网络框架，允许玩家在同一场景中进行交互、合作或对战。 主要特点： 集成 Photon 网络框架： 该插件基于 Photon PUN 2（Photon Unity Networking）构建，是一种广泛使用的、功能强大的实时多人游戏网络框架。 通过集成 Photon，开发者可以轻松实现玩家的连接、同步、通信和数据传输功能，而不需要自己从头开始构建网络系统。 适用于 Game Creator 2： 插件专为 Game Creator 2 设计.....
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