本课程介绍机器学习的基本概念，包括何时使用、为何有效、如何应用以及如何达到最佳效果。课程涵盖概率论、线性代数和微积分等数学预备知识，深入解析机器学习算法、模型和关键要素。
course introduction
本课程从基础的角度出发，回答以下几个问题：
- When-什么时候用机器学习
- Why-为什么机器学习有用
- How-怎么用机器学习
- How batter-怎么做到最好
本门课程的目标：
What is Machine Learning
学习与机器学习：
对技巧的解释：增进某一种的表现。
进一步对机器学习的定义：
机器学习：另一种解决思路。
机器学习的三个关键：
- 存在一个潜在的模式
- 难以确定定于规则
- data
Components of Machine Learning
有了机器学习的流程后，机器学习还有那些细节内容？
机器学习基本构成：
机器学习算法就是在假设集中选出一个它认为最好的符合所有资料的g.
Homework #0
1.Probability and Statistics
(这里给出别人的一个证明)
解答：
C(10,4)210;C(13,1)C(4,3)C(12,1)C(4,2)C(52,5);
\frac{C(10,4)}{2^{10}};\frac{C(13,1)C(4,3)C(12,1)C(4,2)}{C(52,5)};
210C(10,4);C(52,5)C(13,1)C(4,3)C(12,1)C(4,2);
解答：
14
\frac{1}{4}
41
还需要学习这方面的知识。这里的1/8要算进去？在已知是1或-1的情况下，在选择一组后，是否集确定了？
由∣X∣=1，说明X只能是−1或1。设A为选中了0,1,...7中的1，设B为选中了0，−1，−2，−3中的−1由|X|=1，说明X只能是-1或1。设A为选中了{0,1,...7}中的1，设B为选中了{0，-1，-2，-3}中的-1由∣X∣=1，说明X只能是−1或1。设A为选中了0,1,...7中的1，设B为选中了0，−1，−2，−3中的−1。
设C为∣X∣=1，设C为|X|=1，设C为∣X∣=1，.以下：
P(A)=12⋅18=116,P(B)=12⋅14=18 P(A)=\frac{1}{2}·\frac{1}{8}=\frac{1}{16},P(B)=\frac{1}{2}·\frac{1}{4}=\frac{1}{8} P(A)=21⋅81=161,P(B)=21⋅41=81
p(C∣A)=1,P(C∣B)=1 p(C|A)=1,P(C|B)=1 p(C∣A)=1,P(C∣B)=1
由贝叶斯公式：P(B∣C)=P(BC)P(C)=P(B)P(C∣B)P(C)
由贝叶斯公式：P(B|C)=\frac{P(BC)}{P(C)}=\frac{P(B)P(C|B)}{P(C)}
由贝叶斯公式：P(B∣C)=P(C)P(BC)=P(C)P(B)P(C∣B)
(这里没有证明完成，后面来完善)
0.3;0;0.7;0.4
0.3;0;0.7;0.4
0.3;0;0.7;0.4
2.Linear Algebra
解答：
(121103112)r2−r1r3−r1→(1210−220−11)r3−r2→(1210−22000)
\begin{pmatrix}
1 & 2 & 1\\
1 & 0 & 3\\
1 & 1 & 2
\end{pmatrix}
\mathop{\mathbb{\begin{array}{clr}r_2-r_1\\r_3-r_1\\\end{array}}}\limits_{\to}
\begin{pmatrix}
1 & 2 & 1\\
0 & -2 & 2\\
0 & -1 & 1
\end{pmatrix}
\mathop{\mathbb{\begin{array}{clr}r_3-r_2\\\end{array}}}\limits_{\to}
\begin{pmatrix}
1 & 2 & 1\\
0 & -2 & 2\\
0 & 0 & 0
\end{pmatrix}
⎝⎛111201132⎠⎞→r2−r1r3−r1⎝⎛1002−2−1121⎠⎞→r3−r2⎝⎛1002−20120⎠⎞
R=2
R=2
R=2
解答：
A=(024242331),∣A∣≠0,设∣A∣各个元素的代数余子式为Aij.
A=\begin{pmatrix}
0 & 2 & 4\\
2 & 4 & 2\\
3 & 3 & 1
\end{pmatrix},|A| {\neq} 0,设|A|各个元素的代数余子式为A_{ij}.
A=⎝⎛023243421⎠⎞,∣A∤=0,设∣A∣各个元素的代数余子式为Aij.
A11=−2,A12=4,A13=−6
A_{11}=-2,A_{12}=4,A_{13}=-6
A11=−2,A12=4,A13=−6
A21=10,A22=−12,A23=6
A_{21}=10,A_{22}=-12,A_{23}=6
A21=10,A22=−12,A23=6
A31=−12,A32=8,A33=−4
A_{31}=-12,A_{32}=8,A_{33}=-4
A31=−12,A32=8,A33=−4
A∗=(−24−610126−128−4),由A−1=1∣A∣⋅A∗
A^*=\begin{pmatrix}
-2 & 4 & -6\\
10 & 12 & 6\\
-12 & 8 & -4\\
\end{pmatrix},由A^{-1}=\frac{1}{|A|}·A^*
A∗=⎝⎛−210−124128−66−4⎠⎞,由A−1=∣A∣1⋅A∗
A−1=(18−1438−5834−3834−1214)
A^{-1}=
\begin{pmatrix}
\frac{1}{8} & -\frac{1}{4} & \frac{3}{8}\\
-\frac{5}{8} & \frac{3}{4} & -\frac{3}{8}\\
\frac{3}{4} & -\frac{1}{2} & \frac{1}{4}\\
\end{pmatrix}
A−1=⎝⎛81−8543−4143−2183−8341⎠⎞
解答：
A=(311242−1−11),设方程:(λE−A)x=0,
A=\begin{pmatrix}
3 & 1 &1 \\
2 & 4 & 2 \\
-1 & -1 & 1\\
\end{pmatrix},设方程:(\lambda E-A)x=0,
A=⎝⎛32−114−1121⎠⎞,设方程:(λE−A)x=0,
(λE−A)=0,
(\lambda E-A)=0,
(λE−A)=0,
(λ−3−1−1−2λ−4−211λ−1)=0,
\begin{pmatrix}
\lambda -3 & -1 & -1 \\
-2 & \lambda -4 & -2 \\
1 & 1 & \lambda -1 \\
\end{pmatrix}=0,
⎝⎛λ−3−21−1λ−41−1−2λ−1⎠⎞=0,
(λ−4)(λ−3)(λ−1)+λ−4=0,
(\lambda -4)(\lambda -3)(\lambda -1)+\lambda -4 =0,
(λ−4)(λ−3)(λ−1)+λ−4=0,
(λ−4)(λ−2)2=0,
(\lambda -4)(\lambda -2)^2=0,
(λ−4)(λ−2)2=0,
当λ1=4,{x1−x2−x3=0−2x1−2x3=0x1+x2+3x3=0,{x1=−x3x2=−2x3,p1=(12−1),所有关于λ1=4,的特征向量为k1⋅p1(k1≠0)
当\lambda _1=4,\begin{cases}
x_1-x_2-x_3=0\\
-2x_1-2x_3=0\\
x_1+x_2+3x_3=0\\
\end{cases},
\begin{cases}
x_1=-x_3\\
x_2=-2x_3\\
\end{cases},
p_1=\begin{pmatrix}
1\\
2\\
-1\\
\end{pmatrix},
所有关于\lambda _1=4,的特征向量为k_1·p_1(k_1 \neq0)
当λ1=4,⎩⎪⎨⎪⎧x1−x2−x3=0−2x1−2x3=0x1+x2+3x3=0,{x1=−x3x2=−2x3,p1=⎝⎛12−1⎠⎞,所有关于λ1=4,的特征向量为k1⋅p1(k1̸=0)
当λ1=2,{−x1−x2−x3=0−2x1−2x2−2x3=0x1+x2+x3=0,{x1=x2=x3,p2=(111),所有关于λ1=2,的特征向量为k2⋅p2(k2≠0)
当\lambda _1=2,\begin{cases}
-x_1-x_2-x_3=0\\
-2x_1-2x_2-2x_3=0\\
x_1+x_2+x_3=0\\
\end{cases},
\begin{cases}
x_1=x_2=x_3\\
\end{cases},
p_2=\begin{pmatrix}
1\\
1\\
1\\
\end{pmatrix},
所有关于\lambda _1=2,的特征向量为k_2·p_2(k_2 \neq0)
当λ1=2,⎩⎪⎨⎪⎧−x1−x2−x3=0−2x1−2x2−2x3=0x1+x2+x3=0,{x1=x2=x3,p2=⎝⎛111⎠⎞,所有关于λ1=2,的特征向量为k2⋅p2(k2̸=0)
解答：
M=UΣVT，
M=U \Sigma V^T，
M=UΣVT，
所以U，V是正交矩阵,UTU=E,VTV=E,
所以U，V是正交矩阵,U^TU=E,V^TV=E,
所以U，V是正交矩阵,UTU=E,VTV=E,
M†=VΣ†UT,
M^{\dagger}=V\Sigma ^{\dagger}U^T,
M†=VΣ†UT,
MM†M=UΣVTVΣ†UTUΣVT,
MM^{\dagger}M=U \Sigma V^TV\Sigma ^{\dagger}U^TU \Sigma V^T,
MM†M=UΣVTVΣ†UTUΣVT,
{UΣVTVΣ†UTUΣVTΣ†[i][j]=1Σ†[i][j]UTU=EVTV=E
\begin{cases}
U \Sigma V^TV\Sigma ^{\dagger}U^TU \Sigma V^T \\
\Sigma ^{\dagger}[i][j]=\frac{1}{\Sigma ^{\dagger}[i][j]} \\
U^TU=E \\
V^TV=E \\
\end{cases}
⎩⎪⎪⎪⎨⎪⎪⎪⎧UΣVTVΣ†UTUΣVTΣ†[i][j]=Σ†[i][j]1UTU=EVTV=E
MM†M=M
MM^{\dagger}M=M
MM†M=M
M−1=(UΣVT)−1=VΣ−1U−1=VΣ†UT=M†
M^{-1}=(U \Sigma V^T)^{-1}=V\Sigma ^{-1} U^{-1}=V\Sigma ^{\dagger}U^T=M^{\dagger}
M−1=(UΣVT)−1=VΣ−1U−1=VΣ†UT=M†
1、uTx=∣∣x∣∣,u=x∣∣x∣∣
1、u^Tx=||x||,u=\frac{x}{||x||}
1、uTx=∣∣x∣∣,u=∣∣x∣∣x
2、−∣∣x∣∣,u=−x∣∣x∣∣
2、-||x||,u=-\frac{x}{||x||}
2、−∣∣x∣∣,u=−∣∣x∣∣x
3、0，u⊥x
3、0，u\perp x
3、0，u⊥x
3.Calculus
解答：
df(x)dx=−211+e−2xe−2x,φg(x,y)φy=2e2y+6xye3xy3
\frac{df(x)}{dx}=-2\frac{1}{1+e^{-2x}}e^{-2x},\frac{\varphi g(x,y)}{\varphi y}=2e^{2y}+6xye^{3xy^3}
dxdf(x)=−21+e−2x1e−2x,φyφg(x,y)=2e2y+6xye3xy3
解答：
φf(x,y)φv=φxφvy+xφyφv=−sin(u+v)y−xcos(u−v)=−sin(u+v)sin(u−v)−cos(u+v)cos(u−v)
\frac{\varphi f(x,y)}{\varphi v}=\frac{\varphi x}{\varphi v}y+x\frac{\varphi y}{\varphi v}=
-sin(u+v)y-xcos(u-v)=-sin(u+v)sin(u-v)-cos(u+v)cos(u-v)
φvφf(x,y)=φvφxy+xφvφy=−sin(u+v)y−xcos(u−v)=−sin(u+v)sin(u−v)−cos(u+v)cos(u−v)
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
