梯度下降法（最好的无约束最优化问题的求解算法）
梯度下降法(Gradient Descent)是一个算法，但不是像多元线性回归那样是一个具体做回归任务的算法，而是一个非常通用的优化算法来帮助一些机器学习算法求解出最优解的，所谓的通用就是很多机器学习算法都是用它，甚至深度学习也是用它来求解最优解。所有优化算法的目的都是期望以最快的速度把模型参数θ求解出来，梯度下降法就是一种经典常用的优化算法。
【机器学习基础算法】之梯度下降法、归一化、正则化和多项式升维
发表评论
作者归档：Fidum
【数学基础】python在数学中的简单应用之线性代数基础
线性代数是代数学的一个分支，主要处理线性关系问题(简称先线性问题)。线性代数中的概念是机器学习必备的基础知识，有助于理解不同机器学习算法背后的原理、算法内部是如何运行的，以便在开发机器学习系统时更好地做决策。在机器学习的背景下，线性代数也是一个数学工具，提供了像向量和矩阵这样的数据结构用于组织大量的数据，同时也提供了如加、减、乘、求逆等有助于操作数据的运算，从而将复杂的问题简单化，提升大规模运算的效率。
【数学基础】python在数学中的简单应用之微积分、泰勒公式和拉格朗日乘子法
python在数学计算方面的应用之常用模块的使用
- 环境安装
推荐安装anaconda，怎么装很简单，百度。
sympy使用介绍
sympy是python的一个科学计算库，用强大的符号计算体系完成诸多如多项式求值、求极限、求导、解方程、求积分、解微分方程、级数展开、矩阵运算等计算。
在wordpress中使用latex遇到的问题
以下是测试，熟于垃圾数据，请直接看文末总结
就是\(x^{a}\) 的
$$
a \parallel c,b \parallel c \Rightarrow a \parallel b
$$
\( a \parallel c,b \parallel c \Rightarrow a \parallel b \)
$latex a \parallel c,b \parallel c \Rightarrow a \parallel b $
$latex a \parallel c,b \parallel c \Rightarrow a \parallel b $
成功了，舒服了
这里为了避免关键字冲突，影响我要表达的意思，故截图总结说明：
更新：
如果你用的mathjax插件，直接按照人家语法来就行。
补充：如果latex公式显示异常，可以尝试科学上网后再试。
【数学工具篇】常用latex公式编写，方便后面学习调用
这里不涉及使用latex进行学术文章的排版等等，只记录用latex表达过的数学表达式；旨在让自己熟悉latex的常用用法。
【机器学习基础算法】之线性回归
通过相关分析可以得到两个或两个以上变量之间相关程度及其大小，但对于彼此相关比较紧密的变量，人们总希望建立变量之间具体的数字关系，以便变量之间能够互相推测。回归分析是寻找存在相关关系的变量间的数学表达式并进行统计推断的一种统计方法。相关分析是回归分析的基础和前提，回归分析则是相关分析的深入和继续。
【机器学习基础算法】之SVM支持向量机
SVM 源于统计学理论，基于 VC 维理论和结构风险最小原理，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折中，以期获得最好的推广能力（或称泛化能力）。统计机器学习能够精确地给出学习效果以 及解答需要的样本数等一系列问题。所谓 VC 维是对函数类的一种度量，可以简单地理解为问题的复杂程度。VC 维越高，问题越复杂。SVM 的基本模型是二类分类模型，属于有监督学习，是在特征空间中找出一个超平面作为分类边界，对数据进行正确分类，且使每一类样本中距离分类边界最近的样本到分类边界的距离尽可能远，使分类误差最小化。
【前置知识】04.pandas模块的基本使用
Pandas是基于Numpy的一套数据分析工具，该工具是为了解决数据分析任务而创建的。Pandas纳入了大量标准的数据模型，提供了高效地操作大型数据集所需的工具。Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。 它是使Python 成为强大而高效的数据分析环境的重要因素之一