深度学习的数学基础

大憨熊 提交于 2020-01-05 22:08:41

深度学习的数学基础

  • 微积分
    • 无穷小
      在17世纪下半叶,数学史上出现了无穷小的概念,而后发展处极限的概念
    • 极限
      • 数列的极限
      • 函数的极限
    • 导数
    • 微分
    • 积分
      • 不定积分
        也称为原函数或反导数
      • 定积分
      • 定积分中值定理
    • 牛顿-莱布尼茨公式
    • 偏导数
  • 概率统计
    • 样本空间
      定义:随机试验 E 的所有结果构成的集合称为 E 的 样本空间,记为 S={e}
      称 S 中的元素 e 为样本点,一个元素的单点集称为基本事件.
    • 概率
      条件概率/后验概率
      P(A|B)
      边缘概率/先验概率
      A的边缘概率表示为P(A),B的边缘概率表示为P(B)
      联合概率
      全概率公式
      贝叶斯公式
    • 随机变量
      离散型随机变量
      对离散随机变量用求和得全概率
      定义
      (0-1)分布/两点分布/伯努利分布
      二项分布
      泊松分布(Poisson分布)
      连续型随机变量
      对连续随机变量用积分得全概率
      概率分布函数F(x)
      概率密度函数f(x)
      均匀分布
      X~U(a,b)
      指数分布
      正态分布/高斯分布
      是研究误差分布的一个理论
    • 期望
      离散型随机变量的期望
      连续型随机变量的期望
    • 方差(Variance)
      一个随机变量的方差( Variance )描述的是它的离散程度,也就是该变量离其期望值的距离
      标准差(Standard Deviation)
      方差的算术平方根称为该随机变量的标准差。
      样本标准差
      协方差
      相关系数(Correlation coefficient)
      协方差矩阵
      主成分分析(PCA)
      在统计学中被称为主成分分析 (principal components analysis ,简称 PCA) ,在图像处理中称为 Karhunen-Loève 变换 (KL- 变换 ) 。
    • 大数定律
      大数定律负责给出估计——期望
    • 中心极限定理
      中心极限定理负责给出大数定律的估计的误差——标准差乘以标准正态分布
      大量相互独立的随机变量,其均值(或者和)的分布以正态分布为极限(意思就是当满足某些条件的时候,比如 Sample Size 比较大,采样次数区域无穷大的时候,就越接近正态分布)。而这个定理 amazing 的地方在于,无论是什么分布的随机变量,都满足这个定理。
    • MLE(最大似然)
    • OLS(最小二乘)
    • 样本和抽样
    • 置信区间
    • 方差分析
    • 回归分析
    • bootstrap方法
    • 马尔可夫链
  • 线性代数
  • 数值计算
    • sigmoid函数
      sigmoid函数只能分两类
    • Softmax激活函数
      softmax能分多类
    • logistic函数
    • Relu激活函数
    • 网络参数
    • 梯度下降Gradient Descent
    • 学习率Learning Rate
      Subtopic
    • 误差|损失
      均方误差(Mean Squared Error)
      交叉熵(Cross-Entropy)
    • 损失函数(cost function)
      0-1损失函数
      当模型输出值=样本值,则为1,否则为0
      平方损失函数
      (模型输出值 - 样本值)^2
      绝对值损失函数
      |模型输出值 - 样本值|
      对数损失函数
      log (Y_模型输出)
易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!