AI，大數據學習

准備學習大數據的，先按照自己的學習習慣進行知識儲備，看看自己能夠堅持多長時間吧？

一、高等數學知識

1、常數e，

　　e=2.71828

　　努力回想老師的教導，e的用法很多，最初的印象是對數log^e簡寫成ln^e，然后這個字符在高中、大學數學出現很多，並且在考試中套用各種公式。

2、導數

　　對導數的記憶就是求導吧，導函數有點印象，多元函數求導好像是大學學的，似乎沒學會過（公式背不下來）各種函數的連續性，變化率等都可以用導數描述。

3、梯度

　　梯度的概念應該在極限的學習中涉獵，記得之前看神經網絡學習的材料是，對深度學習的證明就是用梯度的概念進行建模的（詳細沒記住），不過在這個梯度的應用上用了方向的概念，延伸出向量的知識領域。

4、泰勒-Taylor

　　泰勒不等式，忘了，反正這幫老數學家給我們留下了寶貴的知識財富，也給我們預留了厚厚的作業.....[2018-10-9]

泰勒級數：

 

 

 

 

5、gini系數

　　大家聽到最多的就是基尼系數，到底是衡量社會財富分配是否公平，體現社會財富差距和穩定性的一個方式。是計算方式就是A/(A+B),A，B均表示顏色塊的面積。具體怎么用還不清楚，初步學習應該跟模型建模相關吧。　　

 6、對數

　　覺得有必要在回憶下對數的概念。

　　如果a的x次方等於N（a>0,且a不等於1），那么數x叫做以a為底的N的對數（logarithm），記作x=log_a^N。其中，a叫做對數的底數，N叫做真數。

　　稱以10為底的對數叫做常用對數（common logarithm），並記為lg

　　稱以無理數e（e=2.71828...）為底的對數稱為自然對數（natural logarithm），並記為ln

　　函數y=log_a^x（a>0&a<>1）叫做對數函數，其中x是自變量。對數函數的定義域是（>0）

　　基本性質：過定點（1,0），即x=1時，y=0；當0<a<1時，在正無窮上是減函數；當a>1,在正無窮上是增函數。

　　對數函數運算法則：1、log_a^(MN)=log_a^M+log_a^N

　　2、log_a^(M/N)=log_a^M-log_a^N

　　3、log_a^{M^n}=nlog_a^M

　　4、log_a^n^M=log_a^M/n

　　換底公式

 7、梯度下降

　　梯度下降主要為微分的概念，場景人從山頂下山，但不知道方向，不知道怎么確定到谷底。通過判斷該人每步步長的下降高度。數學公式的求證，應用都在理想場景，所以在學習過程中千萬糾結公式字面和實際情況。理解透了就可以。

　　盡管梯度下降為機器學習的關鍵，本次不強求自己吃透。

8、牛頓法：准確說應該為牛頓迭代法，近似求解方程的方法。使用函數f（x）的泰勒級數的前面幾項來尋解方程的f(y)=0的根。

學習參考鏈接：https://www.zhihu.com/question/20690553   ；https://www.cnblogs.com/shixiangwan/p/7532830.html

 二、概率論

微積分與逼近論；極限，微分，積分基本概念；利用逼近的思想理解微分，利用積分的方式理解概率；概率論基礎。

感覺學的還行，但是讓我用一口氣講出來，就比較難了，本次先不糾結這些內容。

 

截圖是從一個培訓課程文件截圖，如果涉及到其他問題，煩請聯系我。