《Python全系列》
此次更新内容为第十四阶段:数据分析理论和实战
章节1:补充数学知识
01_人工智能学习数学的必要性_微积分知识点
02_线性代数_概率论知识点
03_最优化知识_数学内容学习重点
04_导数的定义_左导数和右导数
05_导数的几何意义和物理意义
06_常见函数的求导公式
07_导数求解的四则运算法则
08_复合函数求导法则
09_推导激活函数的导函数
10_高阶导数_导数判断单调性_导数与极值
11_导数判断凹凸性_导数用于泰勒展开
12_向量的意义_n维欧式空间空间
13_行向量列向量_转置_数乘_加减乘除
14_向量的内积_向量运算法则
15_学习向量计算的用途举例
16_向量的范数_范数与正则项的关系
17_特殊的向量
18_矩阵_方阵_对称阵_单位阵_对角阵
19_矩阵的运算_加减法_转置
20_矩阵相乘
21_矩阵的逆矩阵
22_矩阵的行列式
23_多元函数求偏导
24_高阶偏导数_梯度
25_雅可比矩阵_在神经网络中应用
26_Hessian矩阵
27_二次型
28_补充关于正定负定的理解
29_特征值和特征向量(1)
30_特征值和特征向量(2)
31_特征值分解
32_多元函数的泰勒展开_矩阵和向量的求导
33_奇异值分解定义
34_求解奇异值分解中的UΣV矩阵
35_奇异值分解性质_数据压缩
36_SVD用于PCA降维
37_SVD用于协同过滤_求逆矩阵
38_概率论_随机事件与随机事件概率
39_条件概率_贝叶斯公式
40_随机变量
41_数学期望和方差
42_常用随机变量服从的分布
43_随机向量_独立性_协方差_随机向量的正太分布
44_最大似然估计思想
45_最优化的基本概念
46_迭代求解的原因
47_梯度下降法思路
48_梯度下降法的推导
49_牛顿法公式推导以及优缺点
50_坐标下降法_数值优化面临的问题
51_凸集
52_凸函数
53_凸优化的性质_一般表达形式
54_拉格朗日函数