写一个目录,解释需要哪些数学知识,先列知识点,后讲目的:
以下是我认为在数据挖掘或者说机器学习比较相关的数学知识:
概率论:
机器学习为什么要使用概率
概率学派和贝叶斯学派
何为随机变量和何又为概率分布?
条件概率,联合概率和全概率公式:
边缘概率
独立性和条件独立性
期望、方差、协方差和相关系数
常用概率分布
贝叶斯及其应用
中心极限定理
极大似然估计
概率论中的独立同分布?
线代:
标量、向量、矩阵和张量
矩阵向量的运算
单位矩阵和逆矩阵
行列式
方差,标准差,协方差矩阵
范数
特殊类型的矩阵和向量
特征分解以及其意义
奇异值分解及其意义
Moore-Penrose 伪逆
迹运算
优化:
计算复杂性与NP问题
上溢和下溢
导数,偏导数及两个特殊矩阵
函数导数为零的二三事
方向导数和梯度
梯度下降法
牛顿法
仿射集,凸集和凸锥
超平面,半空间及凸集分离定理
不改变凸性的运算
凸函数及凸优化简述
无约束的优化,等式约束优化,不等式约束优化
线性规划中对偶理论
拉格朗日对偶理论
其他:
信息熵
条件熵
相对熵 (KL散度)
互信息
几种常用的距离度量
图论
树论
看到这个问题,很多人回答的都是什么教材,什么书的,但我比较赞同的说法是:书和教材,一列一堆大多,不实际,该问题应该更加具体详细回答,恩恩,说下我的目的:是为了宣传一下之前写的文章的,上面的绝大部分,我在我的专栏绝大部分都有讲解,但好像看的的不多,我就再拿来宣传下哈哈,可能写的不好,欢迎讨论和指教,详见:
机器学习和数据挖掘的关系很近,我认为上面的知识点对于机器学习或者数据挖掘都是比较重要的,下面给出干货~~~
线代篇:掌握机器学习数学基础之线代(重点知识)
概率论篇:掌握机器学习数学基础之概率统计(重点知识)
优化篇:
掌握机器学习数学基础之优化[1](重点知识)
掌握机器学习数学基础之优化[2](重点知识)
信息论及其他:掌握机器学习数学基础之信息论及其他[完结篇](重点知识)
领取专属 10元无门槛券
私享最新 技术干货