机器学习数学基础：高数、线代与随机牛顿法
这篇博客介绍了机器学习所需的数学基础，包括高等数学和线性代数，并探讨了随机牛顿法及其在解决Rosenbrock函数优化问题上的应用。文中提供了Rosenbrock函数的定义、Python实现，以及随机牛顿法的原理和代码示例。
机器学习数学基础
总共可以分为五块：高数、线代、概率论与数理统计（考研三大块）、随机过程和mcmc抽样（最后两个严格意义上也属于数理统计的内容）。
本人是应统专业的，后面的就先鸽一下，前面高数线代的内容在这里先补充一下，其实大部分考研也学过，这里就展示下思维导图吧。
高等数学
线性代数
随机牛顿法及其代码实现
Rosenbrock函数
Rosenbrock函数是一个用来测试最优化算法性能的非凸函数，由Howard Harry Rosenbrock在1960年提出，因其函数形状类似香蕉，故别名为香蕉函数：
f(x,y)=(a−x1)2+b(x2−x12)2f(x, y) = (a - x_1)^2 + b(x_2 - x_1^2)^2f(x,y)=(a−x1)2+b(x2−x12)2
其中 x=(x1,x2)T∈R2 ;a,b∈R\bm{x} = (x_1 , x_2)^T \in R^2 \; ; a,b \in Rx=(x1,x2)T∈
最低0.47元/天 解锁文章
扫一扫
867
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
