<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[wx_Jaffe的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/wx_Jaffe</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; wx_Jaffe]]></copyright><item><title><![CDATA[尝试推导泰勒公式]]></title><link>https://blog.youkuaiyun.com/wx_Jaffe/article/details/143619586</link><guid>https://blog.youkuaiyun.com/wx_Jaffe/article/details/143619586</guid><author>wx_Jaffe</author><pubDate>Fri, 08 Nov 2024 11:35:32 +0800</pubDate><description><![CDATA[若ffx又∵∴令：On​x则：fx​x在xa处n阶可导，则f0xf0a∫ax​f1x1​dx1​0!f0ax−a0​∫ax​f1x1​dx1​f1x1​f1a∫ax1​​f2x2​dx2​f2x2​f2a∫ax2​​f3x3​dx3​f3x3​f3a∫ax3​​。]]></description><category></category></item><item><title><![CDATA[用梯度下降法简单实现一元线性拟合]]></title><link>https://blog.youkuaiyun.com/wx_Jaffe/article/details/138622282</link><guid>https://blog.youkuaiyun.com/wx_Jaffe/article/details/138622282</guid><author>wx_Jaffe</author><pubDate>Thu, 09 May 2024 17:22:44 +0800</pubDate><description><![CDATA[梯度下降法：沿着梯度向量的反方向移动，直至找到函数的最小值。在训练模型中，这里的梯度指损失函数的梯度。梯度向量：函数的某一点处沿着一个向量的方向导数最大（即取得梯度），则该向量为梯度向量。需要注意的是，这里没有划分训练集和验证集，因为可以用最小二乘法来验证模型的好坏。是一个数据集，这里的数据集是随机生成的，实际应用中应该是真实的数据集。梯度：函数在某一点的最大方向导数，表示函数在该点上升最快的方向。这里需要知道的是原本模型的参数就作为损失函数的自变量。损失函数：用于评估模型的好坏的某一种误差度量函数。]]></description><category></category></item><item><title><![CDATA[浅谈斐波那契数列通项公式的推导]]></title><link>https://blog.youkuaiyun.com/wx_Jaffe/article/details/137666012</link><guid>https://blog.youkuaiyun.com/wx_Jaffe/article/details/137666012</guid><author>wx_Jaffe</author><pubDate>Fri, 12 Apr 2024 09:19:04 +0800</pubDate><description><![CDATA[但是这个状态转移方程是由前2个状态推导的，为了从前1个状态推导，应该把两个斐波那契数列。状态推导出来，而不需要前两个状态。这个状态转移方程就可以直接由。]]></description><category></category></item></channel></rss>