目录

  • 1 人工智能与数学内涵(概论)
    • 1.1 AI前沿与数学本质
    • 1.2 经典论文阅读
    • 1.3 课后练习
  • 2 导数、微分与极值
    • 2.1 函数与导数
      • 2.1.1 导数的定义
      • 2.1.2 函数的极值最值问题
      • 2.1.3 凸函数与优化
    • 2.2 偏导数与梯度下降
    • 2.3 链式法则与BP反向传播算法
  • 3 向量运算
    • 3.1 向量及其运算
      • 3.1.1 向量的转置,加法、减法
      • 3.1.2 几个重要向量术语
      • 3.1.3 向量的内外积
    • 3.2 范数、距离与相似度
      • 3.2.1 范数与距离度量
      • 3.2.2 cosine相似度与协同推荐算法
  • 4 矩阵运算
    • 4.1 矩阵的基本操作
      • 4.1.1 矩阵的初步认识
      • 4.1.2 矩阵的运算
      • 4.1.3 矩阵的转置、逆和迹
      • 4.1.4 行列式
    • 4.2 线性变换
      • 4.2.1 线性空间的基
      • 4.2.2 探索矩阵的秩
      • 4.2.3 线性操作与卷积
    • 4.3 矩阵分解
      • 4.3.1 特征值与特征向量
      • 4.3.2 SVD分解(自学)
  • 5 概率论
    • 5.1 事件与概率
      • 5.1.1 随机事件
      • 5.1.2 概率、条件概率与全概率
      • 5.1.3 随机变量与概率分布
      • 5.1.4 三大离散型概率分布
      • 5.1.5 概率密度函数
      • 5.1.6 三大连续型概率分布
    • 5.2 贝叶斯公式及应用
      • 5.2.1 贝叶斯公式
      • 5.2.2 朴素贝叶斯分类器
    • 5.3 样本统计量
      • 5.3.1 均值、方差、标准差、数学期望
      • 5.3.2 协方差与协方差矩阵、相关系数
  • 6 数理统计
    • 6.1 参数估计
      • 6.1.1 样本、抽样和抽样量
      • 6.1.2 最大似然估计
    • 6.2 回归分析
      • 6.2.1 一元回归分析
      • 6.2.2 多元回归分析
    • 6.3 信息熵与信息增益
函数与导数

函数(Function)


函数是数学中用于描述变量之间关系的基础概念。在最简单的形式中,函数f 是一个规则,它将输入(或自变量)\( x \)映射到输出(或因变量)\( f(x) \)。





例如,线性函数f(x) = 2x + 1 描述了x 和 y 之间的线性关系。


导数(Derivative)


导数是用于描述函数在某一点处的局部行为或变化率的数学工具。对于函数\( f(x) \),其在\( x = a \)处的导数通常表示为\( f'(a) \)或\( \frac{df}{dx} \)。





例如,函数  在x = 2 处的导数是 f'(2) = 4 ,表示当 x在2附近变化时, f(x) 以4的速度变化。



1. 函数和导数是物理、工程、经济学等多个领域的基础概念,用于描述自然现象和社会现象。


2. 在计算机科学中,导数(特别是偏导数和梯度)在优化算法和机器学习模型(如神经网络)中有广泛应用。


3. 函数和导数是微积分和数学分析的核心概念,对数学的发展有着重要影响。



函数和导数是数学和科学的基础概念,它们在理解和描述变量间复杂关系方面具有重要作用。

从自然科学到社会科学,再到现代的数据科学和人工智能,函数和导数都有着广泛和深远的应用。