-
高等数学
多元函数的偏导
梯度向量
雅克比矩阵(一阶偏导)
黑塞矩阵(二阶偏导)
多元函数极值(驻点邻域内有二阶连续偏导)
A正定矩阵--极小值点
A负定矩阵--极大值点
带等式约束的优化问题--拉格朗日乘子法
梯度优化
梯度下降 -- 接近最优值时要不断缩小步长,防止震荡
牛顿法 ---- 收敛速度快,黑塞矩阵的逆在迭代中减小以减小步长,但逆的计算复杂
一元函数
多元函数
= g
= H
-
线性代数
向量空间
秩 -- 线性无关个数
正交规范化
伴随矩阵 (余子式为去除所在行列的行列式)
可逆矩阵
正交矩阵
范数 -- 度量长度 (正定性、齐次性、三角不等式)
齐次线性方程组与解空间 -- 秩
import numpy
A=numpy.mat(’a11 ⋯ a1n;⋯;am1 ⋯ amn’)
b=zeors(1,n)
x=numpy.linalg.solve(A,b)
print(x)
特征向量
矩阵对角化条件
-
概率统计
条件概率
独立性
全概率公式
贝叶斯公式
先验概率 -- 试验前已知的概率 (不含条件) 后验概率 -- 条件概率
观测样本下的参数估计
极大似然估计(频率派) -- 为确定的值,求值
待估计参数 未知,但客观存在,当
时,(使观测样本发生的概率最大)
该组观测样本 更容易被观测到
贝叶斯估计 -- 为随机变量,求分布
待估计参数 随机,和一般随机变量相同,根据观测样本估计参数
的分布
为参数
的先验分布(prior distribution),不含样本信息
为参数
的后验分布(posterior distribution)
最大后验估计
参考https://zhuanlan.zhihu.com/p/61593112
点估计
区间估计
随机变量(函数)
离散型随机变量
连续型随机变量
概率分布、概率密度函数
随机变量的期望、方差、协方差
协方差cov(X,Y)= 0,则线性无关(不一定独立 --- 可能有非线性的函数关系)
大数定律(期望相同 -- 样本均值收敛于相同的期望)
且
中心极限定律(有限的期望、方差 -- 样本近似正态分布)
对任意x,
有