数学其实很有趣,有些文章让人读了耳目一新,这些文章摒弃了繁杂的证明,更符合直觉!
看到好玩有趣的闪光点再来更新。
1. 指数函数和自然对数
ref: 原创2017-11-14 赵一帆 算法与数学之美
1)e的真正意义是什么?
e是连续增长系统的极限增量。
作者 从细菌的繁殖,本金产生利息的角度 进行理解(用更小的增长率可以获取更多的金钱)。
e是一个时间单位内的增长量,在每一个细小的步骤中所创造的利息也会增长,最后就会得到e。
若用很小的增长率,则 【增量=e=n趋于无穷时, (1+ 1/n )^n】,n很大时,该值就是2.71828......
e是一个增长极限。
2)增量=e^增长率
例子:若复合增长率是0.5,不是1
因为(1+1/100)^100约等于e, 则(1+0.5/50)^50约等于e^0.5
3)增量=(e^增长率)^几个单位时间
2. 解密ln( )函数
ref:原创2017-11-16 赵一帆 算法与数学之美
1)e^x的x代表时间,计算结果是增长倍数
lnx的x是增长倍数,计算结果是时间
二者互为逆运算
2)增长到0.5倍,就是倒退掉现有金钱的一半所需事件
ln(0.5)=-ln(2)约等于0.693
负数的意思是时间倒退,倒退0.693个单位时间会回到现有金钱的一半
3)ln(a*b)=lna+lnb
增长a*b倍所需的时间,可以先翻a倍(所需时间lna),再翻b倍(所需时间lnb)。
ln(a/b)=lna+ln(1/b)=lna-lnb
先增长到原来的a倍,再退回到现在的1/b,又ln(1/b)是倒退lnb的时间。
4)最后:为何lne=1
因为 lne是增长e倍所需的时间,而e是1个单位时间的增长倍数,所以lne=1
3. 正态分布的前世今生(上)
ref: 靳志辉 统计模型公众号
文章地址:https://cosx.org/2013/01/story-of-normal-distribution-1
读此文的主要目的是,这几天刚明白:L2范数误差 等同于 对噪声进行了高斯分布的先验。那么为什么随机误差服从正态分布? 笔记2)给出了答案。
笔记:1)二项分布的极限分布是高斯分布;
2)高斯推导出 最小二乘法的误差分布是正态分布。具体参考原文chapter4,chapter5.1
设真值为 θθ, x1,⋯,xnx1,⋯,xn 为 nn 次独立测量值, 每次测量的误差为 ei=xi–θei=xi–θ,假设误差 eiei 的密度函数为 f(e)f(e), 则测量值的联合概率为 nn 个误差的联合概率,记为
L(θ)=L(θ;x1,⋯,xn)=f(e1)⋯f(en)=f(x1−θ)⋯f(xn−θ)L(θ)=L(θ;x1,⋯,xn)=f(e1)⋯f(en)=f(x1−θ)⋯f(xn−θ)
极大似然估计,直接取使 L(θ)L(θ) 达到最大值的 ^θ=^θ(x1,⋯,xn)θ^=θ^(x1,⋯,xn) 作为 θθ 的估计值,即
^θ=argmaxθL(θ).
L(
高斯把整个问题的思考模式倒过来:既然千百年来大家都认为算术平均是一个好的估计(勒让德:最小二乘法可以导出算术平均值作为估计值,算术平均值使得累积误差最小),那我就认为极大似然估计导出的就应该是算术平均!
高斯猜测:误差分布导出的极大似然估计 = 算术平均值
然后去找误差密度函数 ff 以迎合这一点。即寻找这样的概率分布密度函数 ff, 使得极大似然估计正好是算术平均 ^θ=¯¯¯xθ^=x¯。而高斯应用数学技巧求解这个函数 ff, 高斯证明 (原文5.1节),所有的概率密度函数中,唯一满足这个性质的就是
f(x)=1√2πσe−x22σ2
如此,正态分布的密度函数被解出来了。所以最小二乘法的误差分布就是正态分布!4. 正态分布的前世今生(下)
ref: 靳志辉 统计模型公众号
文章地址:https://cosx.org/2013/01/story-of-normal-distribution-2/
5. 数学之旅--上海交通大学
网易公开课: http://open.163.com/special/cuvocw/shuxuezhilv.html
真的讲的听好玩的,听者感觉有趣。随便培养一下数学思维吧
1)Lesson1 绪论
最大的收获是 抽象 二字,只关注某个特征,而忽略其他特征。
老师推荐书:别闹了,费曼先生。 以后要读读
豆瓣8.9分,书评:https://book.douban.com/subject/1037602/
2)
6. 数学漫步
视频: https://www.bilibili.com/video/av5002983/
1)Lesson 1
最好玩的点:地图是怎样制作的?把地球上的所有点通过某个点投影到平面上
2)