gridview 在已有数据的基础上添加数据_数据科学 | 算法工程师必备的数学基础（上）...

作者：华校专

华校专，曾任阿里巴巴资深算法工程师、智易科技首席算法研究员，现任腾讯高级研究员，《Python 大战机器学习》的作者。

编者按

对于想要了解模型的底层逻辑，优化算法性能的工程师，线性代数、高等数学、概率论都是必备的基础知识。作者以浅显的语言，深入浅出的总结了算法中涉及的主要数学知识，对于工作中速查和深入学习都大有裨益。

线性代数和概率论，是算法的基础知识。掌握这些知识，对于公式推导及算法理解大有裨益。

我们在计算损失函数时，一般需要加入正则化的范数项，那么范数的计算公式还记得么？

线性代数

一、基本知识

1.本书中所有的向量都是列向量的形式：

过滤算法中的欧氏距离和余弦相似度是如何计算的？

二、向量操作

熟悉下贝叶斯估计的基本假设:独立同分布。

概率论与随机过程

一、概率与分布

1.1 条件概率与独立事件

特征工程中的相关性系数与协方差计算，你还记得多少？

二、期望和方差

2.3 协方差与相关系数

1.对于二维随机变量 (X,Y) ，可以讨论描述 X 与 Y 之间相互关系的数字特征。

常见的概率分布，你还记得几种？

五、常见概率分布

5.1 均匀分布

5.4 高斯分布

正态分布是很多应用中的合理选择。如果某个随机变量取值范围是实数，且对它的概率分布一无所知，通常会假设它服从正态分布。有两个原因支持这一选择：

建模的任务的真实分布通常都确实接近正态分布。中心极限定理表明，多个独立随机变量的和近似正态分布。

在具有相同方差的所有可能的概率分布中，正态分布的熵最大（即不确定性最大）。

以上如想阅读全文，请点击以下链接：

线性代数

(http://www.huaxiaozhuan.com/%E6%95%B0%E5%AD%A6%E5%9F%BA%E7%A1%80/chapters/1_algebra.html

概率论与随机过程(http://www.huaxiaozhuan.com/%E6%95%B0%E5%AD%A6%E5%9F%BA%E7%A1%80/chapters/2_probability.html)