LouisLan的学习简记 👋🏼

本文是斯坦福大学CS229机器学习课程的基础材料，原始文件下载 CS229 机器学习课程复习材料-概率论 概率论复习和参考 概率论是对不确定性的研究。通过这门课，我们将依靠概率论中的概念来推导机器学习算法。这篇笔记试图涵盖适用于CS229的概率论基础。概率论的数学理论非常复杂，并且涉及到“分析”的一个分支：测度论。在这篇笔记中，我们提供了概率的一些基本处理方法，但是不会涉及到这些更复杂的细节。 1. 概率的基本要素 为了定义集合上的概率，我们需要一些基本元素， 样本空间$\Omega $：随机实验的所有结果的集合。在这里，每个结果 $w \in \Omega $ 可以被认为是实验结束时现实世界状态的完整描述。 事件集（事件空间）$\mathcal{F}$：元素 $A \in \mathcal{F}$ 的集合（称为事件）是 $\Omega $ 的子集（即每个 $A \subseteq \Omega$ 是一个实验可能结果的集合）。 备注：$\mathcal{F}$需要满足以下三个条件： (1) $\emptyset \in \mathcal{F}$ (2) $A \in \mat....

本文是斯坦福大学CS 229机器学习课程的基础材料 原始文件下载 CS229 机器学习课程复习材料-线性代数 线性代数复习和参考 1. 基础概念和符号 线性代数提供了一种紧凑地表示和操作线性方程组的方法。 例如，以下方程组： $$ 4x_1 − 5x_2 = −13 $$ $$ −2x_1 + 3x_2 = 9 $$ 这是两个方程和两个变量，正如你从高中代数中所知，你可以找到 $x_1$ 和 $x_2$ 的唯一解（除非方程以某种方式退化，例如，如果第二个方程只是第一个的倍数，但在上面的情况下，实际上只有一个唯一解）。 在矩阵表示法中，我们可以更紧凑地表达： $$ Ax= b $$ $$ \text { with } A=\left[\begin{array}{cc}{4} & {-5} \ {-2} & {3}\end{array}\right], b=\left[\begin{array}{c}{-13} \ {9}\end{array}\right] $$ 我们可以看到，这种形式的线性方程有许多优点（比如明显地节省空间）。 1.1 基本符号 我们使用以下符号： ....

考研核心词记忆检测 | lonuslan 1 : abdomen [æb’dəumen] Clickn腹，下腹(胸部到腿部的部分)2 : abatement [ə’beitmənt] Clickn减(免)税，打折扣，冲销3 : abide [ə’baid] Clickvi(abode，abided)(by)遵守；坚持；vt忍受，容忍4 : abnormal [æb’nɔ:məl] Clicka反常的，不正常的，不规则的5 : abound [ə’baund] Clickvi大量存在；(~in，~with)充满，富于6 : above [ə’bʌv] Clicka上述的 ad在上面，在前文 prep在之上，高于7 : abrupt [ə’brʌpt] Clicka突然的，出其不意的；(行为等)粗鲁无礼的8 : abstract [‘æbstrækt] Clicka抽象的 n摘要，文摘，梗概vt提取；摘录要点9 : absurd [əb’sə:d] Clicka荒谬的，荒诞的，荒唐可笑的；不合理的10 : acceptance [ək’septəns] Clickn接受....

高等数学 1.导数定义： 导数和微分的概念 f'(x_{0}) = \lim_{\Delta x \rightarrow 0}\,\frac{f(x_{0} + \Delta x) - f(x_{0})}{\text{Δx}} （1） 或者：f'(x_{0}) = \lim_{x \rightarrow x_{0}}\,\frac{f(x) - f(x_{0})}{x - x_{0}} （2） 2.左右导数导数的几何意义和物理意义 函数f(x)在x_{0}处的左、右导数分别定义为： 左导数：{f'}_{-}(x_{0}) = \lim_{\Delta x \rightarrow 0^{-}}\,\frac{f(x_{0} + \Delta x) - f(x_{0})}{\text{Δx}} = \lim_{x \rightarrow x_{0}^{-}}\,\frac{f(x) - f(x_{0})}{x - x_{0}},(x = x_{0} + \Delta x) 右导数：{f'}_{+}(x_{0}) = \lim_{\Delta x \rightarrow 0^{+}}\,\....