机器学习数学符号解释

基础有没有不是问题,没有我想学且学不会的内容。


 

1.最大似然估计∏的意思:∏ ak 表示 a1a2···an. K  [1,4],∏(k + 2) = (1 + 2)(2 + 2)(3 + 2)(4 + 2) = 3 × 4 × 5 × 6 = 360 累死阶乘

2.先验概率后验概率

P(x|y)=P(x,y)/p(x) ∝ P(x|y)

MA∝ 表示成正比。

3.ŷ =argmaxyp(y|x) 表示p(y|x)取最大值是y的值

4.ŷ =maxyp(y|x) 表示y取特定值是p(y|x)

5.||x-c||2   norm运算  ||A||表示2范式  A为向量  平方和再开方

6.加权平均值  各数乘以相应权数之后求平均值

7.F(x;β)  ;号的意义未知

8.exp 以自然常数e为底的指数函数  例:EXP{F(X)}是e的F(X)次方。

9.e自然常数,是数学科的一种法则。约为2.71828,就是公式为lim(1+1/x)^x,x→∞或lim(1+z)^(1/z),z→0 ,是一个无限不循环小数,是为超越数

 

 

 

 

 

转载于:https://www.cnblogs.com/fastLearn/p/7846975.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1. $\alpha$: 学习率,用于控制每次参数更新的步长。 2. $\theta$: 参数向量,包含机器学习模型中的所有参数。 3. $x$: 输入特征向量,包含训练集中的所有特征。 4. $y$: 标签,训练集中每个样本的目标值。 5. $h_\theta(x)$: 假设函数,用于预测输入特征向量 $x$ 对应的目标值。 6. $J(\theta)$: 代价函数,用于衡量模型预测值与真实值之间的误差。 7. $\nabla J(\theta)$: 代价函数的梯度,表示代价函数在当前参数向量 $\theta$ 处的变化率。 8. $\sum$: 求和符号,用于对向量或矩阵中的元素求和。 9. $\prod$: 积符号,用于对向量或矩阵中的元素求积。 10. $\cdot$: 点乘符号,用于计算两个向量的内积。 11. $\times$: 叉乘符号,用于计算两个向量的外积。 12. $\rightarrow$: 箭头符号,表示向量的方向。 13. $||\cdot||$: 范数符号,用于计算向量的长度。 14. $\in$: 属于符号,用于表示某个元素是否属于某个集合。 15. $\forall$: 全称量词符号,用于表示某个命题对于集合中的所有元素都成立。 16. $\exists$: 存在量词符号,用于表示某个命题对于集合中存在的某个元素成立。 17. $\Rightarrow$: 蕴含符号,用于表示某个命题的必要性和充分性。 18. $\Leftrightarrow$: 等价符号,用于表示两个命题的等价性。 19. $\partial$: 偏导符号,用于表示多元函数在某个变量上的偏导数。 20. $\Sigma$: 累加符号,用于对多元函数进行求和。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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