机器学习数学知识第一期复习指南

最新推荐文章于 2022-09-02 16:24:47 发布
最新推荐文章于 2022-09-02 16:24:47 发布
阅读量167 收藏
点赞数
分类专栏： DeepLearning 数学
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zjguilai/article/details/91874116
版权

在这里插入图片描述
第一期偏重于基础的数学思维搭建，关于泛函，复变函数，离散函数，凸优化，数值分析等数学的领域将在第二期进行学习和掌握

参考书籍：

  • [ 1] 高等数学.第七版上下册 高等教育出版社
  • [ 2] 数学分析新讲。第三册，张筑生，北京大学
  • [3 ] 工程数学.线性代数.同济大学。第六版
  • [ 4] 线性代数英文.原书第九版，小黄书，机械工业出版社
  • [5 ] 概率论与数理统计，第四版，浙江大学，高等教育出版社
  • [6 ] 凸优化，非线性规划，清华大学出版社
zjguilai
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习强基计划0-1：教程导读(附几十种经典模型源码合集)
FRIGIDWINTER的博客
07-13 7759
订阅专栏前，请先看本文章简介
白话机器学习算法理论+实战番外篇之LightGBM
Miracle8070
04-10 1万+
1. 写在前面 如果想从事数据挖掘或者机器学习的工作，掌握常用的机器学习算法是非常有必要的，在这简单的先捋一捋， 常见的机器学习算法： 监督学习算法：逻辑回归，线性回归，决策树，朴素贝叶斯，K近邻，支持向量机，集成算法Adaboost等 无监督算法：聚类，降维，关联规则, PageRank等 我前面已经尝试用最白话的语言完成了一个白话机器学习算法理论+实战系列，这个系列已经基本包含了上面这些算...
机器学习超级复习笔记
龙哥盟
11-01 3万+
原文：Super Machine Learning Revision Notes 译者：飞龙 协议：CC BY-NC-SA 4.0 [最后更新：06/01/2019] 本文旨在概述： 机器学习中的基本概念（例如，梯度下降，反向传播等） 不同的算法和各种流行的模型 一些实用技巧和示例是从我自己的实践和一些在线课程（如DeepLearningAI ）中学习的。 如果您是正在学习机器学习的学生，...
机器学习数学基础笔记
倩mys的博客
07-19 354
文章目录高数线性代数概率论与数理统计凸优化 高数 线性代数 概率论与数理统计 凸优化
机器学习的数学基础（一）
weixin_43144524的博客
02-02 1269
机器学习的数学基础：梯度和Hessians矩阵。
机器学习数学基础
qq_44249640的博客
04-07 234
目录一.Python矩阵基本运算二.梯度下降法与excel中运用三.线性回归相关解法 一.Python矩阵基本运算 1.准备 引入库 import numpy as np 2.矩阵操作 （1）创建一个 2X3矩阵 a = np.mat([[1, 2, 3], [4, 5, 6]]) （2）获取矩阵的大小 a.shape （3）行列转换 a.T （4）二维数组代替矩阵来进行矩阵运算 b = np.array([[1, 2, 3], [4, 5, 6]]) （5）加减法运算 a + b a
用Python动手学机器学习1
08-03
《用Python动手学机器学习1》是一本专为机器学习初学者编写的入门书籍，旨在降低学习门槛，让没有Python基础或数学基础薄弱的读者也能理解并掌握机器学习的核心概念。作者伊藤真以生动易懂的方式，结合图形、代码和...
学机器学习之前，必须了解的数据清洗 & 预处理入门完整指南。
m0_73342362的博客
09-02 607
一种常见的方法是将数据集按 80/20 进行划分，其中 80% 的数据用作训练，20% 的数据用作测试。这表明，如果原始列的值为猫，那么就会在麋鹿一列得到 0，狗一列得到 0，猫一列得到 1。本文是一个初学者指南，将带你领略如何在任意的数据集上，针对任意一个机器学习模型，完成数据预处理工作。现在，我们有了需要学习的模型。数据预处理是建立机器学习模型的第一步（也很可能是最重要的一步），对最终结果有决定性的作用：如果你的数据集没有完成数据清洗和预处理，那么你的模型很可能也不会有效——就是这么简单。
机器学习系列(16)_怎样找到一份深度学习的工作(附学习材料,资源与建议)
热门推荐
寒小阳
10-10 3万+
如果你是一个软件工程师(或者你现在正在学习这一方面)，你肯定有机会听说过深度学习（有时候深度学习缩写为”DL”）。它现在是一个热门、且快速发展的研究领域，解决工业界的一系列问题，从图像识别、手写识别到机器翻译，更甚于AlphaGo4比1击败了世界围棋冠军。 大部分人认为找与深度学习相关的工作应该具有博士学位或者大量的相关经验，但是如果你已经是一名很好的工程师，那你就可以很快、很好的学习这些必要的技能和技巧。
用Python编写CNN的网络结构（便于进行网络分析和论文书写）
zjguilai的博客
06-10 3117
draw_convnet Python script for illustrating Convolutional Neural Network (ConvNet) Example image With flag_omit=False With flag_omit=True 代码： from matplotlib.patches import Circle from matplotlib.pa...
机器学习的激励函数的故事
zjguilai的博客
06-12 2998
1）七种激活函数列举： 2）解析列举 3）总结： 1）最早的是sigmoid,它与tanh换汤不换药，都有梯度饱和效应的局限，让大部分网络瘫痪， 2）目前最常用的是ReLU，但是一定要注意参数初始化和学习率的选择设置(这里还是个问题！！！) 3）为了提高模型精度，我们会去考虑那部分输出为零一下的梯度，于是分别出现了：Leaky ReLU,参数化ReLU,随机化ReLU,和指数化ELU ...
机器学习总结1：四种变量表示方法以及范数的求法
zjguilai的博客
06-10 1934
1：变量表示方法 2.变量的范数的应用意义 监督机器学习问题无非就是“minimizeyour error while regularizing your parameters”，也就是在规则化参数的同时最小化误差。最小化误差是为了让我们的模型拟合我们的训练数据，而规则化参数是防止我们的模型过分拟合我们的训练数据。多么简约的哲学啊！因为参数太多，会导致我们的模型复杂度上升，容易过拟合，也就是我们...
机器学习的理论基础-1：矩阵1
zjguilai的博客
05-07 1397
1.名词：矩阵，张量，转置，主对角线，广播 2.矩阵和向量相加–>广播 eg： ##广播 矩阵加向量 import numpy as np a=np.array([[1,2,3],[4,5,6],[7,8,9]]) c=[1,2,3] print(a) b= a+100 print(b) d=a+c print(d) e =a/...
tensorboard超全代码解释（调试网络）
zjguilai的博客
06-07 1193
tensorboard代码解析 1）简单激活关闭graph的方法 【1】程序1.0 # coding: utf-8 import tensorflow as tf a = tf.constant(2) b = tf.constant(3) x = tf.add(a, b) with tf.Session() as sess: # 激活 tensorboard,把graph文件夹设在当前代...
机器学习-目标函数-总结
zjguilai的博客
06-14 996
目标函数思维导图 总结： 1.分类任务 交叉墒损失函数在一般的分类问题上最为常用，而且效果还比合页损失函数要好 合页损失函数在支持向量机的分类当中最为常见，有时也会作为神经网络的目标函数 坡道损失函数可以消除合页损失函数在抵抗噪声能力差的问题，可以提升模型的泛化能力，其中的s一般依靠类别数C而定（-1/（C-1）），称之为截断点。 大间隔交叉墒损失函数强调不仅要求分...
李宏毅-DeepLearning-2017-Unsupervised Learning:Neighbor Embedding
zjguilai的博客
05-21 820
数据降维的方法： Manifold Learning(流行学习) 1、什么是流形 流形学习的观点：认为我们所能观察到的数据实际上是由一个低维流行映射到高维空间的。由于数据内部特征的限制，一些高维中的数据会产生维度上的冗余，实际上这些数据只要比较低的维度就能唯一的表示。所以直观上来讲，一个流形好比是一个d维的空间，在一个m维的空间中（m>d）被扭曲之后的结果。需要注意的是流形并不是一个形状，而...
机器学习的过程（代表性的思维图片）：演变-核心基础-数学思维
zjguilai的博客
06-12 731
1）机器学习的演变 机器学习的工作方式 ①选择数据：将你的数据分成三组：训练数据、验证数据和测试数据 ②模型数据：使用训练数据来构建使用相关特征的模型 ③验证模型：使用你的验证数据接入你的模型 ④测试模型：使用你的测试数据检查被验证的模型的表现 ⑤使用模型：使用完全训练好的模型在新数据上做预测 ⑥调优模型：使用更多数据、不同的特征或调整过的参数来提升算法的性能表现 2. 机器学习所处的位置...
MNIST机器学习方法介绍（1）
zjguilai的博客
05-29 682
1.1.1 简介** 下载MNIST数据集，并打印一些基本信息： python download.py 1.1.2 实验：将MNIST数据集保存为图片 python save_pic.py 1.1.3 图像标签的独热表示 打印MNIST数据集中图片的标签： python label.py 1.2.1 Softmax 回归 python softmax_regression.py 1.2.2...
机器学习 数学知识 csdn
最新发布
11-15
机器学习是一种通过数据和统计学方法让机器具有学习能力的技术。它在计算机科学、统计学和数学等多个领域有着广泛的应用。在机器学习中，数学知识扮演着非常重要的角色，包括概率论、线性代数、微积分等等。概率论帮助我们理解和处理不确定性，线性代数可以用来表示和处理数据，微积分则可以帮助我们理解优化算法和损失函数。 CSND（CSDN）是一个致力于IT技术分享的社区平台，对于机器学习领域的学习者来说，CSND提供了大量优质的学习资源和技术分享。在CSND上，你可以找到关于机器学习的教程、案例分析、最新的技术研究成果等信息。同时，CSND也提供了一个交流的平台，你可以在这里和其他机器学习领域的从业者进行交流、互相学习。 通过CSND的学习资源，你可以系统地学习机器学习所需的数学知识，通过阅读专业的博客文章和教程案例，你可以学习到如何应用概率论、线性代数和微积分等数学知识在机器学习的算法和模型中。此外，CSND上也有很多实践经验分享的文章，通过这些文章，你可以了解到其他从业者在机器学习实践中的一些经验和教训。 总的来说，机器学习离不开数学知识，而CSND提供了丰富的学习资源，为机器学习领域的学习者提供了学习和交流的平台。希望学习机器学习的朋友们可以在CSND上找到自己需要的学习资源，不断提升自己在机器学习领域的专业能力。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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