数学表达式1

最新推荐文章于 2024-06-14 14:04:59 发布

weixin_43425490

最新推荐文章于 2024-06-14 14:04:59 发布

阅读量384

点赞数

分类专栏：数学表达式

本文链接：https://blog.csdn.net/weixin_43425490/article/details/119110270

版权

数学表达式专栏收录该内容

2 篇文章 0 订阅

订阅专栏

课程训练

Day1

作业1

问题：描述你在学习、使用数学表达式时的困难, 可举例说明.

1.需要用到的符号不好找。比如 \hat，单知道长什么样子，真要用的时候只能挨着挨着查符号。
2.部分符号有多个参数（程序员的理解），比如分数： $\frac {1}{2}$ , 表达式为 \frac {1}{2}，分子分母一定要使用花括号括住才行。
3.较长的表达式很难阅读。花括号在一些时候不是必须的，但可以帮助我书写和检查表达式，要合理使用。

作业2

问题1：令 $\mathbf{A} = \{3, 5\}$ , 写出 $2^{\mathbf{A}}$

$2^{\mathbf A} = \{\emptyset, \{3\}, \{5\}, \{3, 5\} \}$

问题2：展开 $2^{\emptyset}$

$2^{\emptyset} = \{\emptyset\}$
值得一提的是： $2^{\{\emptyset\}} = \{\emptyset, \{\emptyset\}\}$

问题3：令 $\mathbf{A} = \{5, 6, 7, 8, 9\}$ , 写出 $\mathbf{A}$ 的其它两种表示法.

$\mathbf A = \{5, 6, \dots, 9\}$
$\mathbf A = [5..9]$

作业3

问题：自己出数据, 做一个 $\times 2$ 与 $\times 4$ 的矩阵乘法.

$\begin{bmatrix} 0.7 &0.4 \\ 0.8 &0.2 \\ 0.1 &0.5 \end{bmatrix} \times \begin{bmatrix} 0.5 &0.7 &1 &0.2 \\ 0.3 &0.5 &0.4 &0.8\\ \end{bmatrix} = \begin{bmatrix} 0.47 &0.69 &0.86 &0.46\\ 0.46 &0.66 &0.88 &0.32\\ 0.20 &0.32 &0.30 &0.42 \end{bmatrix}$

Day2

作业4

问题1：令 $\mathbf{A} = \{1, 2, 5, 8, 9\}$ , 写出 $\mathbf{A}$ 上的 “模 2 同余” 关系及相应的划分.

$\mathbf{R} = \{(a, b) \in \mathbf{A} \times \mathbf{A} \vert a \mod 2 = b \mod 2\}$
$\mathbf{R} = \{(1, 5), (1, 9), (2, 8), (5, 1), (5, 9), (8, 2), (9, 1),(9, 5), (1, 1), (2, 2), (5, 5), (8, 8), (9, 9)\}$
划分： $\mathcal P = \{\{1, 5, 9\}, \{2, 8\}\}$

问题2： $\mathbf{A} = \{1, 2, 5, 8, 9\}$ , 自己给定两个关系 $\mathbf{R}_1$ 和 $\mathbf{R}_2$ ，并计算 $\mathbf{R}_1 \circ \mathbf{R}_2$ , $\mathbf{R}_1^+$ , $\mathbf{R}_1^*$

关系的乘积运算： $\mathbf{R}_2 \circ \mathbf{R}_1 = \{(x, y) \vert \exists (x, z) \in \mathbf{R}_1 \textrm{ and } (z, y) \in \mathbf{R}_2\}$
现有 $\mathbf R_1 = \{(1,5), (1,9), (2, 8), (5, 9), (9, 8)\}$
$\mathbf R_2 = \{(9, 5), (8, 1), (2, 1)\}$

$\mathbf R_2 \circ \mathbf R_1 = \{(1, 5), (2, 1), (5, 5), (9, 1)\}$

$\mathbf R_1^2 = \{(1, 9), (1, 8), (5, 8)\}$
$\mathbf R_1^3 = \mathbf R_1^2 \circ {\mathbf R_1} = \{(1, 8)\}$
$\mathbf R_1^4 = \mathbf R_1^3 \circ {\mathbf R_1} = \emptyset$
$\mathbf R_1^5 = \mathbf R_1^4 \circ {\mathbf R_1} = \emptyset$

$\mathbf R_1^+ = \bigcup_{i=1}^{|\mathbf A|}\mathbf R_1^i = \{(1,5), (1,9), (2, 8), (5, 9), (9, 8), (1, 8), (5, 8)\}$
$\mathbf R_1^* = \mathbf R_1^+ \cup \mathbf R^0, \mathbf R^0 = \mathbf I_{\mathbf A}$
$\mathbf R_1^* = \{(1,5), (1,9), (2, 8), (5, 9), (9, 8), (1, 8), (5, 8), (1, 1), (2, 2), (5, 5), (8, 8), (9, 9)\}$

问题3：查阅粗糙集上下近似的定义并大致描述
帮助理解
根据知识判断对象 $a$ 是否属于集合 $\mathbf X$ ，由三种情况： $a$ 肯定属于集合 $\mathbf X$ 、 $a$ 可能属于集合 $\mathbf X$ 也可能不属于集合 $\mathbf X$ ， $a$ 不可能属于集合 $\mathbf X$ 。关于上下近似的具体定于如下：
设 $\mathbf U$ 为论域（非空对象集合）， $I$ 为 $\mathbf U$ 中的等价关系， $\mathbf X \subset \mathbf U$ ，则有：

集合 $\mathbf X$ 关于关系 $I$ 的下近似是根据享有的知识判断肯定属于X的对象所组成的最大集合，有时也称为 $\mathbf X$ 的正区域，记为 $POS(\mathbf X)$ ： $I_*=\{ x\in \mathbf U | I(x)\subset \mathbf X\}$

集合 $\mathbf X$ 关于 $I$ 的上近似是由所有与 $\mathbf X$ 相交的非空等效类 $I (x)$ 的并集，是哪些可能属于 $\mathbf X$ 的对象的组成的最小集合：
$I^*=\{ x\in \mathbf U | I(x)\cap \mathbf X\neq \emptyset\}$
如果一个集合的上下近似相等，则该集合成为精确集合，否则称之为粗糙集

作业5

问题：举例说明你对函数的认识
在函数 $y = 2 x$ 中，称 $x$ 为自变量， $y$ 为因变量，当 $x$ 取一个值的时候， $y$ 的值也确定了。
同时，函数也可以描述为集合到集合的映射，即 $\mathcal f: R \to R$ , 函数表示为 $\mathcal f(x)$ ，对于 $\in R$ 的任意 $y$ ，都有唯一的 $\in R$ 与之对应。

作业6

自己给定一个矩阵并计算其各种范数.(书写上对于求和符号sum的上下标，文字内显示和作为重要表达式显示有所不同)
范数： $\|\mathbf{X}\|_p = \left( \sum_{i, j} \vert x_{ij}\vert ^p \right)^\frac{1}{p}$

有矩阵 $\mathbf X= \begin{bmatrix} 0 &1\\ 2 &3 \end{bmatrix}$

$\mathcal l_0$ 范数：
$\|\mathbf{X}\|_0 =|\{(i, j) | x_{ij} \neq 0\}| = 3$

$\mathcal l_1$ 范数：
$\|\mathbf{X}\|_1 =\sum_{i,j}| x_{ij}| = 0+1+2+3 = 6$

$\mathcal l_2$ 范数：
$\|\mathbf{X}\|_2 =\sqrt{\sum_{i,j} {x_{ij}}^2} = \sqrt {0^2+1^2+2^2+3^2} =\sqrt{14}$

$\mathcal l_\infty$ 范数：
$\|\mathbf{X}\|_{\infty} = \max_{i, j} \vert x_{ij} \vert = 3$

作业7

解释推荐系统: 问题、算法与研究思路 2.1 中的优化目标
$\min\sum_{(i,j) \in \Omega}(f(\mathbf x_i, \mathbf t_j) - r_{ij})^2$
的各符号及含义.

数据集和函数：
用户信息表： $\mathbf X = [\mathbf x_1,\dots, \mathbf x_n]^\mathrm T = [x_{ij}]_{n \times d_u}$ ，每个用户具有 $d_u$ 个属性。
商品信息表： $\mathbf T= [\mathbf t_1,\dots, \mathbf t_m]^\mathrm T = [t_{ij}]_{m \times d_t}$ ，每个商品具有 $d_t$ 个属性。
评分函数： $f:R^{d_u} \times R^{d_t} \to R$ ，有 $d_u$ 维属性的用户与有 $d_t$ 维属性的商品的所有组合映射到评分结果

优化目标符号解释：
$\Omega$ :用户 $i$ 与商品 $j$ 的组合，组合个数为 $|\Omega|$
$\mathbf x_i$ : 用户 $i$ 的属性集合
$\mathbf t_j$ : 商品 $j$ 的属性集合
$f$ : 评分函数
$r_{ij}$ : 用户 $i$ 对商品 $j$ 的评分标签

优化目标解释：要使得所有训练的评分结果与评分标签的均方误差最小

Day3

作业8

问题1：将向量下标为偶数的分量 $x_2, x_4, …)$ 累加, 写出相应表达式.
有集合 $\mathbf x = [x_1..x_n]$
向量分量累加： $\sum_{i=1}^{n} x_i$
下标为偶数的分量的累加： $\sum_{i \mod 2 = 0} x_i$

问题2：各出一道累加、累乘、积分表达式的习题, 并给出标准答案.

1)写出1开始的 $n$ 个奇数之和的表达式

$\sum_{i=1}^n 2i - 1$

2)写出 $\frac{1}{2} \cdot \frac{2}{3} \cdot \frac{3}{4} \dots \frac{n}{n+1}$ 的表达式

$\prod_{i=1}^n \frac{i}{i + 1}$

3)有一圆环，内外半径分别为 $r_1,r_2, r_1 < r_2$ ，写出求圆环面积的积分表达式

$\pi\int_{r_1}^{r_2}r^2 \mathrm dr$

问题3：你使用过三重累加吗? 描述一下其应用

没有。
应用：
1.三维标签求 $l_1$ 范数（错，还是二重累加）
2.求质量密度按照某分布的三维物体的质量（其实是三重定积分

但是曾今做过模板计算，用到了三维数组。
在均匀的各向异性的导热介质中求解热传导方程，用离散网格形式表示分布在三维空间并随时间变化的温度，那么 $t + 1$ 时刻一个点的温度应该取决于 $t$ 时刻该点附近若干个点的温度。如果取决于附近 7 个点的温度，则相当于求解 7 点模板计算问题。
在 7 点模板问题计算中，三维网格状态量 g 遵循迭代式：
$\begin{aligned} g_{x,y,z}^{(t+1)} = &a_{zzz}g_{x, y, z}^{(t)} \\+ & a_{nzz}g_{x-1, y, z}^{(t)} + a_{pzz}g_{x+1, y, z}^{(t)} + a_{znz}g_{x, y-1, z}^{(t)} \\+ & a_{zpz}g_{x, y+1, z}^{(t)} + a_{zzn}g_{x, y, z-1}^{(t)} + a_{zzp}g_{x, y, z+1}^{(t)} \end{aligned}$
$a$ 为各个方向的系数。对每个点的迭代更新用到了三重循环。

问题4：给一个常用的定积分, 将手算结果与程序结果对比.
$\int_{0}^{1}(x \sqrt{1 - x^2}) \mathrm dx = - \frac {1}{3}(1 - x^2)^{\frac{3}{2}} \big| _0^1 = \frac{1}{3}$

程序：

#include <iostream>
#include <cmath>
using namespace std;

int main()
{
    double x = 0;
    double deltax = 1e-2;
    double sum = 0;
    
    for (x = 0; x <= 1; x += deltax)
    {
        sum += x * sqrt(1 - x * x) * deltax;
    }

    cout << sum;
    return 0;
}

计算结果：0.333031 ：
在这里插入图片描述

修改 $\Delta x = 0.0001$ ，即变量deltax = 1e-4，可以获得更高精度的结果：
在这里插入图片描述

作业9

推导
矩阵求导公式
对于线性回归，有优化目标：
$\argmin_{\mathbf w} \Vert \mathbf X \mathbf w - \mathbf Y \Vert_2^2$
$\begin{aligned} \Vert \mathbf X \mathbf w - \mathbf Y \Vert_2^2 &= (\mathbf X \mathbf w - \mathbf Y)^\mathrm T(\mathbf X \mathbf w - \mathbf Y)\\ &=(\mathbf w^\mathrm T \mathbf X^\mathrm T - \mathbf Y^\mathrm T)(\mathbf X\mathbf w - \mathbf Y)\\ &=\mathbf w^\mathrm T \mathbf X^\mathrm T\mathbf X \mathbf w - \mathbf w^\mathrm T \mathbf X^\mathrm T \mathbf Y - \mathbf Y^\mathrm T \mathbf X \mathbf w + \mathbf Y^\mathrm T \mathbf Y \end{aligned}$

有矩阵求导公式：
$\begin{aligned} \frac{\rm d\mathbf x^\mathrm T \mathbf A \mathbf x}{\rm d \mathbf x} &= (\mathbf A + \mathbf A^\mathrm T)\mathbf x\\ \frac{\rm d\mathbf x^\mathrm T \mathbf A}{\rm d \mathbf x} &= \mathbf A\\ \frac{\rm d\mathbf A \mathbf x}{\rm d \mathbf x} &= \mathbf A^\mathrm T \end{aligned}$

对优化目标求导：
$\frac{\partial (\Vert \mathbf X \mathbf w - \mathbf Y \Vert_2^2)}{\partial \mathbf w} = 2\mathbf X^\mathrm T \mathbf X\mathbf w - \mathbf X^\mathrm T \mathbf Y - \mathbf X^\mathrm T \mathbf Y\\ = 2\mathbf X^\mathrm T \mathbf X\mathbf w - 2 \mathbf X^\mathrm T \mathbf Y$
为求极值，令导数等于 0，可得
$\mathbf w = (\mathbf X^\mathrm T \mathbf X)^{-1} \mathbf X^\mathrm T \mathbf Y$

问题：自己写一个小例子 $(n = 3, m = 1)$ 来验证最小二乘法.
需要拟合的数据：

x	y
1	2
2	4
3	6

建立模型： $y = f (x) = a x + b$
可修改为： $y = f(x) = x_1w_1+x_2w_2$
数据集（在常数项， $x_2$ 直接等于1）：
$\mathbf X = [x_{ij}]_{3 \times 2} = \begin{bmatrix} 1 &1\\ 2 &1\\ 3 &1 \end{bmatrix}$
标签：
$\mathbf Y = [2, 4, 6]^{\mathrm T} = \begin{bmatrix} 2\\ 4\\ 6 \end{bmatrix}$
系数：
$\mathbf w = [w_1, w_2]^\mathrm T$

回归目标：
$\argmin_{\mathbf{w}} ||\mathbf{X} \mathbf{w} - \mathbf{Y}||_2^2$

对 $||\mathbf{X} \mathbf{w} - \mathbf{Y}||_2^2$ 求导，且导数值为 0 时，可得最优的 $\mathbf w$ ，得到公式：
$\mathbf w = (\mathbf X^\mathrm T \mathbf X)^{-1} \mathbf X^\mathrm T \mathbf Y$

以下是计算验证部分：
$\mathbf X^\mathrm T \mathbf X= \begin{bmatrix} 1 &2 &3\\ 1 &1 &1 \end{bmatrix} \times \begin{bmatrix} 1 &1\\ 2 &1\\ 3 &1 \end{bmatrix} = \begin{bmatrix} 14 &6\\ 6 &3 \end{bmatrix}$
令 $\mathbf X^\mathrm T \mathbf X$ 的逆为 $\mathbf N = \begin{bmatrix} a &b\\ c &d \end{bmatrix}$ ，那么：
$\begin{bmatrix} 14 &6\\ 6 &3 \end{bmatrix} \times \begin{bmatrix} a &b\\ c &d \end{bmatrix} = \begin{bmatrix} {14a+6c} &{14b+6d}\\ {6a+3c} &{6b+3d} \end{bmatrix} = \begin{bmatrix} 1 &0\\ 0 &1 \end{bmatrix}$
联立得： $\mathbf N = \begin{bmatrix} a &b\\ c &d \end{bmatrix} = \begin{bmatrix} \frac{1}{2} &-1\\ -1 &\frac{7}{3} \end{bmatrix}$

最后该逆矩阵乘以 $\mathbf X^{\mathrm T} \mathbf Y$ ：
$\mathbf w = \mathbf N \mathbf X^{\mathrm T} \mathbf Y = \begin{bmatrix} \frac{1}{2} &-1\\ -1 &\frac{7}{3} \end{bmatrix} \times \begin{bmatrix} 1 &2 &3\\ 1 &1 &1 \end{bmatrix} \times \begin{bmatrix} 2\\ 4\\ 6 \end{bmatrix} = \begin{bmatrix} 2\\ 0 \end{bmatrix}$
拟合得到函数： $y = f (x) = 2 x + 0$

作业10

问题：自己推导一遍, 并描述这个方法的特点 (不少于 5 条).
1.适用于二分类问题
2.使用sigmoid函数，将点到超平面的距离转换为概率。使得计算损失时可导。
3.优化目标表达式为一般性，直接涵盖两种分类的结果。利于建立统一的优化目标。
4.用log函数将乘积运算转为加法运算，方便了计算。
5.对所有对象进行优化。
6.采用梯度下降求参。

作业N

问题：找出论文符号系统的矛盾

整理： $M$ 个特征， $N$ 个对象，每个对象有一个长度为 $q$ 的二进制码，二进制码有 $N$ 个

矛盾1：
有对象集合 $\mathbf O = \{o_i\}_{i=0}^N$ ，与二进制矩阵 $\mathbf B = \{b_i\}_i=i^N \in \{-1, 1\}^{q \times N}$ 有关。在描述对象集合 $\mathbf O$ 时， $i$ 的起始值为 0 可能有问题

矛盾2：
对于二进制矩阵 $\mathbf B$ 和功能 $φ:\mathbf X \to \mathbf B$ ，个人理解为通过特征集合获取到二进制结果。表达式出现疑问：

有表达式： $\mathbf B = \{b_i\}_i=i^N \in \{-1, 1\}^{q \times N}$ ，理解每个对象都有一个长度为 $q$ 的二进制的数据。
又有表达式：在这里插入图片描述

$\mathbf X$ 理解为整个特征集合，那么 $m$ 的位置应该是 $M$ 和 $N$ 其中之一。既然特征集合 $\mathbf X$ 中有 $M$ 种特征，这里应该更倾向于 $M$ 吧。

矛盾3：
文章并未出现对 $\mathbf X_n$ 的解释。根据对功能 $\mathcal F$ 的解释，参数为整个对象集合，理解为特征集合的 $X^{(n)}$ 便可以，但是 $N$ 应该改为 $M$ 。
在这里插入图片描述

weixin_43425490

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
数学表达式1

作业1问题：描述你在学习、使用数学表达式时的困难, 可举例说明.1.需要用到的符号不好找。比如 \hat，单知道长什么样子，真要用的时候只能挨着挨着查符号。2.部分符号有多个参数（程序员的理解），比如分数：12\frac {1}{2}21, 表达式为 \frac {1}{2}，分子分母一定要使用花括号括住才行。3.较长的表达式很难阅读。花括号在一些时候不是必须的，但可以帮助我书写和检查表达式，要合理使用。作业2问题1：令 A={3,5}\mathbf{A} = \{3, 5\}A={3,5}
复制链接

扫一扫