机器学习数学速查表 📚
线性代数基础 📐
- 向量与矩阵运算：标量、向量、矩阵的加减乘除，以及转置、逆矩阵等
- 特征值与特征向量：用于主成分分析（PCA）等降维技术
- 矩阵分解：如SVD、QR分解，常用于推荐系统
微积分要点 📈
- 导数与梯度：理解损失函数的最小化方向
- 链式法则：神经网络反向传播的核心
- 积分应用：概率密度函数的计算基础
概率与统计 📊
- 概率分布：高斯分布、伯努利分布等常见分布
- 期望与方差：评估模型预测的稳定性
- 贝叶斯定理：用于生成模型和概率推理
优化方法 🔍
- 梯度下降：随机梯度下降（SGD）、批量梯度下降（BGD）
- 牛顿法：二阶优化的收敛速度优势
- 凸优化：确保全局最优解的条件