大一微积分笔记整理_【干货】微积分、线性代数与空间解析几何知识点整理大放送!...

明天就要考 微积分线代了?! 你们复习的怎么样了呢?那现在就来考考你们!请看下图,说出对应的微积分知识点(小编早晨出门的时候发现的 奇妙场景) a32384c274586733e54be9941f8b39e2.png a015ea887e55dd39ed55d120f8a651e1.png 答案:可导一定连续,连续不一定可导。 如果回答出来当然好,没回答出来也不用介意。本期小编拿到了 18级机械第一名 “欣哥秘制小笔记”给大家分享,快来查漏补缺,做最后的冲刺吧!

微积分一

1.1

映射与函数

cab975b040a080071e993a9085b9a1f2.png

dbe9d9eb5f8614c49ff9446d539a747d.png

b56b3081d4ce11308560111cd3d8560f.png

58e1962bbc29aaba43dcdc7542f7bcba.png

1.2

极限的概念

58e1962bbc29aaba43dcdc7542f7bcba.png

cbbf7de35c9ab12eaa82fd7a86e0061c.png

1.3

无穷小量 无穷大量

ef6a1c31b1bcd0960c444067a71d2954.png

54ce5bb33774decf3b21cbb4426193ad.png

1.4

极限的性质及运算法则

2838ad4a674f38cd0d3f7a4c096520fd.png

3363b496bc13cef40546361ac417ebfb.png

8fd814a07e9979c411e753f97295ee4d.png

8b5c61db8e00c4a635f798c676a937de.png

ba50b503835e74a5e607f655e24c6b96.png

0e36c7670974d731ad3b205003ead59a.png

661ffedb7af58473716caa1ffd98aaa1.png

c4e8a4a5f6b8f1145c8736aea53bea4e.png

e5e5c7be1830e54b3267963e59e5dfe7.png

1.5

极限存在准则 两个重要极限

80534aa7f33f20f136be4bcb437c7562.png

0f69fbb72ee48a42f91278a66acb9ad4.png

b86a90f5a6e1b0a239639673eef3a8a5.png

51c18ebe8bfa73582db1d83c132b6ff9.png

020cb575f6da560e9cff4c219c6aa20a.png

1.6

连续函数

9c523e045345cf02d22497758826569c.png

1ffe93ab072f17491fd38a989b927057.png

b6986880a75ac6cb4e4028e4de6748a8.png

827e7e2bff9f25466eab5c140fa9ccb7.png

2.2

导数运算法则

6827f13e5690a7f9fb66fce9c6b13dc0.png

a771cab0554a455efcf5b2ef54de8076.png

2.3

隐函数及参数式函数的导数

2fd445b2531518de242178b3b874600a.png

062802540d9074b551885e71b0adb576.png

2.4

高阶导数

1be131aa5f409557490d2fcb9c454c65.png

a08bcc2ad123dc34eb5a677cf71e148b.png

2.5

函数的微分

fd7443e93833f13701159caae5e030be.png

0b7a2a98a637ae1ec6f2cd7fe006e780.png

935048d3939d12579b47e88808d43fe5.png

2.6

微分中值定理

a180f5524114fdb9a9df1bf24646dc28.png

fb1517911034bf609cb6f1b7a95a2d5f.png

8da78d430a9c1ca37599054cb5e5345d.png

ea40accc6bab513e1b68e05824168e75.png

2.7

不定型的极限

11630c8ce3b278ef1ea0131d0ae6960b.png

2.8

泰勒公式

cdfa3421711276afe131de72871d857c.png

b05e0b9380c1781d7961f4d040ca2cc4.png

微积分半期讲座

be622e11f578707534dc012cab7127a9.png

6b03335eed41d40ec1bd10617284f8fa.png

9194ec4c012b34664b761d0d7f86a33e.png

8f067b4506101ff93010b0930e7df7fd.png

线性代数与空间解析几何

1.1

矩阵及其运算

b613e0dcbd10fe261347a0b0a8e35d74.png

27fd58dd86a2b9faf539a96317e09892.png

3b0fd6d5db504c6c3a335f25a15b504b.png

8cda6326841e3e8b398e7df53f521b01.png

24f9721c9f85ac28f5849152d23a9ae9.png

1.2

高斯消元法与矩阵的初等变换

48e93d602eeb90bc0eef68d069bf2af7.png

2f7a6188df0f6944fc6c3eadf27dfc12.png

1.3

逆矩阵

c410ca01bd590bd1a2ddd4373355df8c.png

c661e64eb8991906738481b5be7752e3.png

9501208651421a3405584d67a86c5791.png

1.4

分块矩阵

a0a7748eff27e4ad1a098b5e1448c346.png

ed3bf639c0e90bbc2f9d25e3a16cf104.png

6bda3fc75fc78d2aef44d35cbe221b73.png

bc1b12520de9ed93b99651f80dd64229.png

2.1

n阶行列式的定义

d1c20f353e6e0adf7ed1cca177e28053.png

8ecddb721d1fdc7daf039faa928aab9f.png

2.2

行列式的性质与计算

ef768121fe718e31ca09cdc70e0d946a.png

041c6262343acdffeb15a1ff2fd94813.png

d3f4dfb4f318abf7a31238f4b1dce398.png

6fa2e6c0fa7994037b1db588876df2ac.png

2.3

拉普拉斯展开定理

651e5bdfb6fa52891c1a558f8e0382e1.png

b2a3a367ace644893e5c2e5fb0242db2.png

2.4

克拉默法则

7bbfeea420efe7301583908f49a4be59.png

b003024ac44a0fabbeec69f05c1ee197.png

2.5

矩阵的秩

2a493568d5813098131f275a9ac58202.png

24266aaed7cd87354014c8c32d20590c.png

106a7fd8c93e79ea649b4e21b9b08f2a.png

线代讲座

61cf33d37b9af0b6c0e6f29bc457a19e.png

131869ad8ec4dd8f53f0d106ef51d4f9.png

f55610d78588e13daddc33bdea17fa78.png

a5566b6bee210a3a30c57c1207bfcfac.png

5652b311d80ed76185a1e41bc16c5a79.gif 今天的笔记整理到这里就暂时结束啦 希望各个小伙伴们及时 查漏补缺 考出自己满意的半期成绩! 笔记为个人整理 如有疏漏,欢迎在留言区指正!

4c9c0cb0bb2dd022e9ca4eaa5e2f043b.png

笔记来源:李兆欣

编辑:安然

  • 3
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
城市空气质量是人们日常生活中非常关注的一个问题,通过数据分析和机器学习可以更加准确地预测城市空气质量变化趋势,为政府和公众提供科学依据和决策支持。下面介绍如何用 Python 和 KNN 算法实现城市空气质量分析与预测。 ## 数据准备 首先需要收集城市空气质量相关数据,例如空气质量指数(AQI)、二氧化硫(SO2)、氮氧化物(NOx)、PM2.5 等数据。可以从国家环境保护部等渠道获取历史数据,也可以通过传感器等设备实时采集数据。这里以北京市 2014 年至 2017 年的 AQI 数据为例。 ## 数据预处理 获取数据后需要进行数据清洗和预处理,包括删除重复数据、处理缺失值、格式转换等。同时还需要进行特征工程,提取与问题相关的特征,例如时间、天气、地理位置等。这里以时间和 AQI 为特征,对数据进行预处理和特征提取。 ## KNN 算法 KNN(k-Nearest Neighbor)算法是一种简单而有效的机器学习算法,它通过计算样本之间的距离,找到与目标样本最近的 k 个样本,然后根据这 k 个样本的标签进行预测。KNN 算法可以用于分类和回归问题,这里我们将其应用于回归问题,即预测 AQI 值。 ## 代码实现 下面是用 Python 和 KNN 算法实现城市空气质量分析与预测的代码,其中使用了 pandas、numpy、sklearn 等常用库。 ``` import pandas as pd import numpy as np from sklearn.neighbors import KNeighborsRegressor from sklearn.model_selection import train_test_split # 读取数据 df = pd.read_csv('aqi.csv') # 删除重复数据 df.drop_duplicates(inplace=True) # 处理缺失值 df.fillna(method='ffill', inplace=True) df.fillna(method='bfill', inplace=True) # 特征提取 df['year'] = pd.to_datetime(df['time']).dt.year df['month'] = pd.to_datetime(df['time']).dt.month df['day'] = pd.to_datetime(df['time']).dt.day X = df[['year', 'month', 'day']].values y = df['aqi'].values # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0) # KNN 算法 knn = KNeighborsRegressor(n_neighbors=3) knn.fit(X_train, y_train) y_pred = knn.predict(X_test) # 结果评估 print('R2 score:', knn.score(X_test, y_test)) ``` ## 结果分析 运行代码后,可以得到预测结果的 R2 分数,用于评估模型的预测精度,分数越接近 1 表示预测精度越高。可以通过调整 KNN 算法的参数和特征工程等方法来进一步提高预测精度。 以上就是用 Python 和 KNN 算法实现城市空气质量分析与预测的方法,希望能对大家有所帮助。

“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