数学知识——线性代数速查手册

向量 1.1 基本概念【向量（vector）】：一个同时具有大小和方向的几何对象。【行向量（row vector）】：一个1×n的矩阵，即矩阵由一个含有n个元素的行所组成：【列向量（column vector）】：一个m × 1的矩阵，即矩阵由一个包含m个元素的列组成： 行向量的转置是一个列向量，反之亦然。【向量的模】：向量的长度叫做向量的模。假设向量 v = (v1, v2, …, vn),

行列式（解线性方程组用的工具） a11x1+a12x2=b1 a21x1+a22x2=b2 系数行列式D：线性方程组(2元，３元，……。)的解的分母D，　计算方法主对角线元素积的和－副对角线元素积的和。 方程组的解：x1=D1/Dx2=D2/D，其中D1,D2分别是b1,b2替换Ｄ的第一列、第２列。 余子式，Ｄ中划去aij,剩下元素的行列式Mi,j 代数余子式，余子式前面加上正负号Aij=(-1)^(i+j)Mij 拉普拉斯展开法：行列式的值由一行的元素和其代数余子式的乘积之和 ...

本文摘自 GitChat 李烨老师 [机器学习极简入门课]课程 3. 数学知识速查手册 机器学习常用微积分知识速查手册 机器学习常用线性代数知识速查手册

总结涵盖初高中以及大学的数学内容和基本公式的速查手册, 方便牛马在工作中使用.

机器学习常用微积分知识速查手册 机器学习常用线性代数知识速查手册

算法数学速查手册（可扩展更新版）。

编辑：私募工场，转载请注明出处机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的分类。一、4大主要学习方式1.监督式学习 在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1“

线性基 void insert(int v){ per(i,lim,0)if((v>>i)&1){ if(a[i])v^=a[i]; else{ per(j,i-1,0)if((v>>j)&1)v^=a[j]; rep(j,i+1,lim)if((a[j]>>i)&1)a[j]^=v; a[i]=v; ...

目录散点图描述关系特征相关性协方差Pearson相关性非线性关系Spearman秩相关相关性和因果关系 之前提到过描述单个随机变量的一些工具，比如正针对整体总体细节的“分布”、针对总体概述的各种统计量（期望、方差等），也提到过针多元随机变量的描述量：协方差和相关系数，现在此总结下多个变量之间关系的研究。 散点图 研究两个变量之间关系的最简单方法是散点图（scatter plot）。但好的散点图的绘...

目录写在前面起源与发展概率基本计数原理本质1. 随机变量(random variable)1.1 随机变量1.2 随机变量三要素2.分类2.1 离散型随机变量2.2 随机变量三要素（离散）：1. 随机变量的取值2. 试验中每个对应取值的概率3. 随机变量的统计特征和度量方法2.2 连续型随机变量随机变量三要素（连续）：1. 随机变量的取值2. 试验中每个对应取值的概3. 随机变量的统计特征和度量方...

学的有些模糊了，回过头来突然想不起“概率”到底是什么定义，也不知道“分布”的含义，还有，概率统计到底在干一件什么事情？ 跳出细枝末节，宏观的来看，其实，本质上不也就是在玩“数据”么： 数据——随机变量； 获取数据——抽样； 描述数据——分布（整体细节描述）、统计量（概述）； 分析数据——统计推断方法（参数估计、假设检验）； 注：分析分布（而不是分析有限的样本）需要使用CDF。 内容补充：分布 ...

文章目录1. 基本（核心）概念事件与样本点2. 通理和思维2.1 通理概率的加法法则概率的乘法法则2.2 思维（经验/技巧）3. 条件概率4. 全概率5. 贝叶斯公式 从本质上理一下概率的基本概念，以及几个重要的公式。 1. 基本（核心）概念 事件与样本点 现实世界 数学规律 现实 概率论 事（情） 事件 （某件事情发生的）可能性 （某个事件A发生的）概率 （某件事情发生的）所有可能 样本空间Ω （发生这件事其中的）一种可能性 （一个）样本点 2. 通理和思维 2

目录描述量期望：分布的中心位置方差：分布的离散程度方差标准差参考 描述量 统计学家将全面的概率分布信息量投射到某几个量上，来代表随机变量的主要特征，从而掌握该随机变量的主要“性能”。这样的一些量称为随机变量的描述量(descriptor)。 比如期望用于表示分布的中心位置，方差用于表示分布的分散程度等等。这些描述量可以迅速的传递其概率分布的一些主要信息，允许我们在深入研究之前，先对其特征有一个大概...

目录协方差相关系数 前面介绍的分布描述量，比如期望和方差，都是基于单一随机变量的。现在考虑多个随机变量的情况。我们使用联合分布来表示定义在同一个样本空间的多个随机变量的概率分布。 联合分布中包含了相当丰富的信息。比如从联合分布中抽取某个随机变量的边缘分布，即获得该随机变量的分布，并可以据此，获得该随机变量的期望和方差。这样做是将视线限制在单一的一个随机变量上，我们损失了联合分布中包含的其他有用信息...

目录基本框架经典统计推断：最大似然估计贝叶斯统计推断：最大后验概率 基本框架 经典统计推断：最大似然估计 贝叶斯统计推断：最大后验概率

”世界上有两类变量：确定变量和随机变量。“ 思考： 何为随机变量？何为变量？ 离散变量相加，连续变量积分？ 变量与常量 变量与常量相对，它们是数学中表征事物量的一对概念。 常量与变量（constant and variate）是数学中反映事物量的一对范畴。常量亦称“常数”，是反映事物相对静止状态的量；变量亦称“变数”，是反映事物运动变化状态的量。人们在实践活动中，为了从量的方面研究事物...

文章目录1. 基础概念2. 运算法则2.1 加法法则2.2 乘法法则3. 常见公式 1. 基础概念 假设A、B等均为随机变量，a、b等为随机变量的取值。 p(a) ：随机变取值为 a 的概率——（边缘）概率 p(a|b)：等同于P(X=a|Y=b)，在条件 Y=b 成立的情况下，X=a 的概率 p(a,b)：等同于P(X=a,Y=b)，X=a，Y=b 状态下的概率——联合概率 p(ab)：等同于 p(a,b) 注意点： 区分几个概念：”随机变量”A和“随机变量的取值” a 以及”事件“，先占坑；