數學必備知識點
1、 線性代數
標量、向量、矩陣和張量;矩陣向量的運算;單位矩陣和逆矩陣;行列式;方差,標準差,協方差矩陣;範數;特殊類型的矩陣和向量;特徵分解以及其意義;奇異值分解及其意義
Moore-Penrose 僞逆;跡運算
線性變換和非線性變換
線性變換的定義
點積和投影
矩陣乘法的幾何意義
特徵向量和特徵值
奇異值分解
線性可分性和維度
非線性變換
————————————————
2、 概率統計
概率學派和貝葉斯學派;何爲隨機變量和何又爲概率分佈;條件概率,聯合概率和全概率公式;邊緣概率;獨立性和條件獨立性;期望、方差、協方差和相關係數;常用概率分佈;貝葉斯及其應用;中心極限定理;極大似然估計;概率論中的獨立同分布
一個於概率論非常相關的領域-信息論也是深度學習的必要模塊,理解信息論裏關於熵,條件熵, 交叉熵的理論, 有助於幫助我們瞭解機器學習和深度學習的目標函數的設計, 比如交叉熵爲什麼會是各類分類問題的基礎
3、 優化
計算複雜性與NP問題;上溢和下溢;導數,偏導數及兩個特殊矩陣;方向導數和梯度;梯度下降法;牛頓法;仿射集,凸集和凸錐;超平面,半空間及凸集分離定理;不改變凸性的運算;凸函數及凸優化簡述;無約束的優化,等式約束優化,不等式約束優化;線性規劃中對偶理論;拉格朗日對偶理論
4、 信息論及其他
信息熵;條件熵;相對熵 (KL散度);互信息;幾種常用的距離度量;圖論;樹論
上面數學基本上就是我們所要學的數學的全部了,看上去有點嚇人是不?不要慌,沒有那麼難,一點點啃下去就可以了。
推薦資料:
資料一:機器學習王牌課程CS229課後配套數學,專門配套機器學習的。
鏈接:https://pan.baidu.com/s/1Fh__… 密碼:48n4
資料二:Yoshua Bengio的《深度學習》書,網上公開的,前面有一部分是對數學的專門講解,很基礎很全面。
鏈接:https://pan.baidu.com/s/1A9mc… 密碼:hwjn
資料三:知乎答主的優秀回答,很細緻,適合初學者
線代專欄:https://zhuanlan.zhihu.com/p/…
概率統計:https://zhuanlan.zhihu.com/p/…
優化(上):https://zhuanlan.zhihu.com/p/…
優化(下):https://zhuanlan.zhihu.com/p/…
信息論及其他:https://zhuanlan.zhihu.com/p/…