前言：
没想到还能在此生再次用到大学中学习的高数，线性代数和概率论，如果上天给我再来一次的机会，我一定往死了学习这三门课。
-
观点
与机器学习相关的微积分的核心问题是极值问题
核心技能是偏导数和梯度
-
函数
定义如下：
对数集A施加一个对应的映射f，记做:f(A)得到数集B，记为函数：B=f(A)
这是我们中学学的最多的，常用的函数有：
image.png
-
从极限到导数
-
数列极限
给定一列数（从x1到xn），n为无穷大，常数a，假如随便取一个无限小的数b，无论n取多大总有xn-a<b
image.png - 函数极限
与数列不同的是函数可以取在某个点的极限，即左极限和右极限（一元函数），
假如再高元函数在某个点的极限为面，空间、、、后面常见的三元函数的在某一点的方向导数（导数即为极限），便取最大定义了这点的梯度 -
两个重要极限
image.pngimage.png -
导数
image.png
-
导数的应用
-
1
通过函数的导数的值，可以判断出函数的单调性、驻点以及极值点：
若导数大于0，则单调递增；若导数小于0，则单调递减；导数等于零d 的点为函数驻点
定理(凹凸判定法) ：f(x)在区间I上有二阶导数
(1) 在 I 内，f''(x)>0 则 在 I 内图形是凹的 ;
(2) 在 I 内 ，f"(x)<0 则 在 I 内图形是凸的 .
设函数 f(x) 在它的驻点x=0 处二阶可导,则 :
image.png -
2
在某点的函数用常见函数表现
image.png
-
偏导数
一元函数为导数，多元为偏导数，把其他变量当做常量求导
image.png
-
高阶偏导
image.png
-
从方向导数到梯度
-
方向导数
image.png
p的值为三维空间两点之间的距离
可以证明：
image.png - 梯度
image.png
image.png
后记：
细细整理，在做补充
你可能感冒的文章：
我的机器学习pandas篇
我的机器学习matplotlib篇
我的机器学习numpy篇
