AI 高等数学、概率论基础

简介: 一、概论  基础引入:      原理一:【两边夹定理】      原理二:【极限】            X为角度x对应的圆弧的点长;  原理三【单调性】:      引入:      二、导数       常见函数的导数:    四、应用:      求解:...

一、概论

  基础引入:

    

  原理一:【两边夹定理】

    

  原理二:【极限】

        

    X为角度x对应的圆弧的点长;

  原理三【单调性】:

    

  引入:

      

二、导数

     

  常见函数的导数:

    

四、应用:

    

  求解:

    

  泰勒展式和麦克劳林展式:

    

  泰勒展式在x0 = 0处展开得到麦克劳林展式

  Taylor公式的应用1:

    

  变种:

    

  Taylor公式应用2:

    

  方向导数:

   

  梯度:

    

  函数的凸凹性:

    

  函数凸凹性判定:

    

  

  凸函数性质的应用:

    

    

五、概率论

  

 

  概率为0例子: 把一枚针投在一个平面上,则概率为0(一个点 之于 一个面)

  古典概型:

    

    思路:

      

      

  古典概型变种问题:

    生日悖论:

    

    

  古典概型总结:

    

  几何概型:

   

    

  条件概率:

    

  条件概率: 在已知B发送的条件下,A发生的概率

      

  全概率:

    

    全概率公式的意义在于: 当直接计算P(A)比较困难,而P(Bi),P(A|Bi)  (i=1,2,...)的计算较为简单时,可以利用全概率公式计算P(A)。思想就是,将事件A分解成几个小事件,通过求小事件的概率,然后相加从而求得事件A的概率,而将事件A进行分割的时候,不是直接对A进行分割,而是先找到样本空间Ω的一个个划分B1,B2,...Bn,这样事件A就被事件AB1,AB2,...ABn分解成了n部分,即A=AB1+AB2+...+ABn, 每一Bi发生都可能导致A发生相应的概率是P(A|Bi),由加法公式得

         P(A)=P(AB1)+P(AB2)+....+P(ABn)

               =P(A|B1)P(B1)+P(A|B2)P(B2)+...+P(A|Bn)P(PBn)

  贝叶斯公式:

    与全概率公式解决的问题相反,贝叶斯是建立在条件概率的基础上寻找事件发生的原因(即大事件A已经发生的条件下,分割中的小事件Bi的概率),设B1,B2,...是样本空间Ω的一个划分,则对任一事件A(P(A)>0),有

      

        B常被视为导致试验结果A发生的”原因“,P(Bi)(i=1,2,...)表示各种原因发生的可能性大小,故称先验概率;P(Bi|A)(i=1,2...)则反映当试验产生了结果A之后,再对各种原因概率的新认识,故称后验概率。

   贝叶斯公式的应用:

    

     

  两学派的认知:【频率学派 && 贝叶斯学派】

    

  贝叶斯公式扩展:

    

  两点分布:

    

  二项分布:【伯努力分布】

    

  泊松分布【Taylor展式结合】:

    

    

 

  泊松分布的应用:

    

  连续分布之均匀分布:

    

   连续分布之指数分布:

      

  指数分布的无记忆性:

    

  连续分布之正态分布【高斯分布】:

     

  总结:

    

  指数族:

    二项分布【伯努力分布】,正态分布【高斯分布】属于指数族

  logistic函数【sigmod函数】:

    

  Logistic函数的导数:

     

 期望:

    

  期望的性质:

    

    note: P(xy) = P(x) P(y)   -->  x, y独立

  方差:

    

  协方差:

    

  协方差、独立、不相关关系:

    

  协方差的意义:

    

  协方差的上界:

    

       

  独立一定不相关,不相关不一定独立,不相关只是线性独立,可能是非线性不独立;

相关系数:

   

   其中:Var(x): 标准差;

 协方差矩阵:

    

   原点矩 和 中心矩

    

     期望为一阶原点矩, 方差为2阶中心矩

 概念总结:

    

  偏度:

        

      偏度为0, 则是正态分布

  偏度公式:

      

  峰度:

      

  应用:

    

    

  引入切比雪夫不等式:

    

  大数定理:

    

    

  中心极限定理:

    

  标准的中心极限定理的问题:

    

  中心极限定理的意义:

    

  样本的统计量:

    

  样本的矩:

    

  随机变量的矩 和 样本的矩, 有什么关系呢??

    

  矩估计:【非常重要】

     

  正态分布的矩估计:

    

  均匀分布的矩估计:

    

  贝叶斯公式带来的思考:

    

  最大似然估计:

      

  极大似然估计的具体实践:

      

  极大似然估计的应用:

      

  正态分布的极大似然估计:

    

        

    

  总结:

    

  极大似然估计与过拟合:

    

    5、 10 为超参数;

相关文章
|
6月前
|
机器学习/深度学习 人工智能 自然语言处理
AI数学基础学习报告
【4月更文挑战第2天】AI数学基础学习报告
72 3
|
6月前
|
机器学习/深度学习 人工智能 算法
人工智能(AI)的数学基础
人工智能(AI)的数学基础
565 3
|
2月前
|
人工智能 算法 自动驾驶
用AI自动设计智能体,数学提分25.9%,远超手工设计
【9月更文挑战第18天】《智能体自动设计(ADAS)》是由不列颠哥伦比亚大学等机构的研究者们发布的一篇关于自动化设计智能体系统的最新论文。研究中提出了一种创新算法——“Meta Agent Search”,此算法通过迭代生成并优化智能体设计,从而实现更高效的智能体系统构建。实验表明,相比人工设计的智能体,Meta Agent Search生成的智能体在多个领域均有显著的性能提升。然而,该方法也面临着实际应用中的有效性与鲁棒性等挑战。论文详细内容及实验结果可于以下链接查阅:https://arxiv.org/pdf/2408.08435。
92 12
|
2月前
|
人工智能
AI设计自己,代码造物主已来!UBC华人一作首提ADAS,数学能力暴涨25.9%
【9月更文挑战第15天】近年来,人工智能领域取得了显著进展,但智能体系统的设计仍需大量人力与专业知识。为解决这一问题,UBC研究人员提出了“自动智能体系统设计(ADAS)”新方法,通过基于代码的元智能体实现智能体系统的自动化设计与优化。实验结果表明,ADAS设计的智能体在多个领域中表现优异,尤其在阅读理解和数学任务上取得了显著提升。尽管如此,ADAS仍面临安全性、可扩展性和效率等挑战,需进一步研究解决。论文详情见链接:https://arxiv.org/pdf/2408.08435。
49 4
|
3月前
|
人工智能 算法
AI 0基础学习,数学名词解析
AI 0基础学习,数学名词解析
25 2
|
4月前
|
人工智能 BI
客户在哪儿AI助大客户销售最高成功概率的见到目标客户决策层
文章摘要:大客户经理触及决策层可使成交率翻倍,但初次成功接触是关键。通过AI技术,可挖掘目标客户决策者的真实关系网,匹配公司人脉,找到合适的外部引荐人;分析历史活动,预测未来参与,提高非办公地偶遇概率;同时,识别并接触目标企业内部员工,促其主动引荐决策层,最大化首次会面成功率。
|
4月前
|
人工智能 算法
国内AI大模型高考数学成绩超GPT-4o
【7月更文挑战第13天】国内AI大模型高考数学成绩超GPT-4o
|
6月前
|
机器学习/深度学习 人工智能 算法
人工智能(AI)中的数学基础
人工智能(AI)是一个多学科交叉的领域,它涉及到计算机科学、数学、逻辑学、心理学和工程学等多个学科。数学是人工智能发展的重要基础之一,为AI提供了理论支持和工具。
122 1
|
6月前
|
机器学习/深度学习 人工智能 机器人
Meta首席科学家Yann LeCun:AI毁灭人类的概率为零
【2月更文挑战第22天】Meta首席科学家Yann LeCun:AI毁灭人类的概率为零
49 2
Meta首席科学家Yann LeCun:AI毁灭人类的概率为零
|
6月前
|
Web App开发 机器学习/深度学习 人工智能
31位AI大佬共同发声:搞AI,孩子必须学好数学!
【2月更文挑战第17天】31位AI大佬共同发声:搞AI,孩子必须学好数学!
80 2
31位AI大佬共同发声:搞AI,孩子必须学好数学!
下一篇
无影云桌面