因为要学机器学习深度学习之类的,那么对数学基础有要求。但是我大学学了高数后我就没怎么用过(至少没用过偏导之类的),挠头。那么就是为了复习,然后重新构建知识谱图,因为笔记丢了(目移),所以会借用一些资料的笔记。
顺序大概就是学机器学习深度学习接触的数学知识,分类后画AI相关的数学图,大概学完最基础的就会发图(?),一些paper涉及到的数学推导会重新加入到建立完的数学图,然后进行颜色标识。
在写数学知识的时候,还有可能会写一下公式,公式不一定要记(毕竟我也是新手),但是一定要理解。
学习算法参考的链接:
ShowMeAI知识社区
只看自己看得懂的。
K近邻算法涉及到的:
曼哈顿距离,LP距离,欧式距离,切比雪夫距离。
向量和向量空间是线性代数的,由于在我的线性笔记找不到向量的相关概念,所以参考了一些链接:
【线性代数】矩阵、向量、行列式、特征值与特征向量(掌握这些概念一篇文章就够了)_矩阵自由向量-CSDN博客
线代复习笔记 (三) 向量空间R^n及其线性变换 - 知乎 (zhihu.com)
博主还给了一些相关链接,这里不再贴出。
(如果找到很喜欢的文章想要记录,直接打印成pdf就好了)
这里只是写一下一些相关。
LP距离公式的参数如下:
看懂了参数的定义后,然后就很简单了。
这些参数同样可以套在其他距离公式里面。
损失函数相关:
二元交叉熵损失。
上图是gpt给出的公式,当然只是看看就可以了。showmeai给出的解释更好,这里就不贴了。
损失函数正则化:
这里加上了一个正则化处理,只是提一下。
to be contiune.