機器學習相關數學基礎

視頻學習筆記

（1）機率論與貝葉斯先驗

視頻地址：https://www.bilibili.com/video/BV1Tb411H7uC?p=2

機率論基礎

 

 

統計量

 

 

（2）機率論與貝葉斯先驗

視頻地址：https://www.bilibili.com/video/BV1Tb411H7uC?p=3

 矩陣

 

 

 特徵值和特徵向量

 

 矩陣求導

 

 用本身的話總結「梯度」，「梯度降低」和「貝葉斯定理」

• 梯度：在微積分裏面，對多元函數的參數求∂偏導數，把求得的各個參數的偏導數以向量的形式寫出來，就是梯度。好比函數f(x,y), 分別對x,y求偏導數，求得的梯度向量就是(∂f/∂x, ∂f/∂y)^T,簡稱grad f(x,y)或者▽f(x,y)。
• 梯度降低：在機器學習算法中，在最小化損失函數時，能夠經過梯度降低思想來求得最小化的損失函數和對應的參數值。梯度降低的幾個概念：步長、特徵、假設函數、損失函數。
• 貝葉斯定理：貝葉斯定理是關於隨機事件A和B的條件機率（或邊緣機率）的一則定理。其中P(A|B)是在B發生的狀況下A發生的可能性。