AI，大数据学习

准备学习大数据的，先按照自己的学习习惯进行知识储备，看看自己能够坚持多长时间吧？

一、高等数学知识

1、常数e，

　　e=2.71828

　　努力回想老师的教导，e的用法很多，最初的印象是对数log^e简写成ln^e，然后这个字符在高中、大学数学出现很多，并且在考试中套用各种公式。

2、导数

　　对导数的记忆就是求导吧，导函数有点印象，多元函数求导好像是大学学的，似乎没学会过（公式背不下来）各种函数的连续性，变化率等都可以用导数描述。

3、梯度

　　梯度的概念应该在极限的学习中涉猎，记得之前看神经网络学习的材料是，对深度学习的证明就是用梯度的概念进行建模的（详细没记住），不过在这个梯度的应用上用了方向的概念，延伸出向量的知识领域。

4、泰勒-Taylor

　　泰勒不等式，忘了，反正这帮老数学家给我们留下了宝贵的知识财富，也给我们预留了厚厚的作业.....[2018-10-9]

泰勒级数：

 

 

 

 

5、gini系数

　　大家听到最多的就是基尼系数，到底是衡量社会财富分配是否公平，体现社会财富差距和稳定性的一个方式。是计算方式就是A/(A+B),A，B均表示颜色块的面积。具体怎么用还不清楚，初步学习应该跟模型建模相关吧。　　

 6、对数

　　觉得有必要在回忆下对数的概念。

　　如果a的x次方等于N（a>0,且a不等于1），那么数x叫做以a为底的N的对数（logarithm），记作x=log_a^N。其中，a叫做对数的底数，N叫做真数。

　　称以10为底的对数叫做常用对数（common logarithm），并记为lg

　　称以无理数e（e=2.71828...）为底的对数称为自然对数（natural logarithm），并记为ln

　　函数y=log_a^x（a>0&a<>1）叫做对数函数，其中x是自变量。对数函数的定义域是（>0）

　　基本性质：过定点（1,0），即x=1时，y=0；当0<a<1时，在正无穷上是减函数；当a>1,在正无穷上是增函数。

　　对数函数运算法则：1、log_a^(MN)=log_a^M+log_a^N

　　2、log_a^(M/N)=log_a^M-log_a^N

　　3、log_a^{M^n}=nlog_a^M

　　4、log_a^n^M=log_a^M/n

　　换底公式

 7、梯度下降

　　梯度下降主要为微分的概念，场景人从山顶下山，但不知道方向，不知道怎么确定到谷底。通过判断该人每步步长的下降高度。数学公式的求证，应用都在理想场景，所以在学习过程中千万纠结公式字面和实际情况。理解透了就可以。

　　尽管梯度下降为机器学习的关键，本次不强求自己吃透。

8、牛顿法：准确说应该为牛顿迭代法，近似求解方程的方法。使用函数f（x）的泰勒级数的前面几项来寻解方程的f(y)=0的根。

学习参考链接：https://www.zhihu.com/question/20690553   ；https://www.cnblogs.com/shixiangwan/p/7532830.html

 二、概率论

微积分与逼近论；极限，微分，积分基本概念；利用逼近的思想理解微分，利用积分的方式理解概率；概率论基础。

感觉学的还行，但是让我用一口气讲出来，就比较难了，本次先不纠结这些内容。

 

截图是从一个培训课程文件截图，如果涉及到其他问题，烦请联系我。

 

转载于:https://www.cnblogs.com/huahuhudie/p/9758340.html