1.微积分和概率论

1. 两边夹定理

• 形象化解释
  
  • 单位圆，半径 = 1
  • BC线段（ sin x） < AB线段 < AB弧（ x） <AD线段
  • 可以得到
    
    
  • 求极限
    
  • 得到
    
• 例子，求解
  = 3/2

2. 极限存在定理

• 数列如果单调递增且有上界，则一定有极限。
• 二项式展开定理
  
• 考察一个数列
  
  • 由此可见，这个数列是个递增数列 且 小于3
  • 可以推断，这个数列的极限也应当小于3，大于2，用符号e作为记号
• 如果n取实数，而不是整数.
  • 构造不等式
    
  • 左侧和右侧分别求极限
    
  • 根据两边夹定理，可以得到
    

3. 导数

• 一阶导数：曲线的斜率 => 曲线变化快慢
• 二阶导数：斜率的变化快慢 => 曲线的凸凹性
• 物理：加速度是二阶导数，且导数方向在曲线凹的一侧
• 常用导数的求解
  
• 应用，求解函数的最小值
  
  • 核心是利用两侧取对数和导数 = 0的策略来求解
    

4. Taylor 和 Maclaurin 公式

• Taylor基本公式
  
  • 在x0$x_0$点展开
  • 展开到n$n$项，加上高阶无穷小
• 如果要求在x0=0$x_0=0$处展开，则得到Maclaurin公式
  
• 对复杂函数，求解函数在原点展开
  
  • 如果一个函数求解有困难，通过展开可以得到多项式加权的和
• 实际过程中需要改进
  • 整数+小数来表达一个实数
    
    
  • 第一项可以计算，第二项一定是收敛的
• 应用，分析熵的函数
  • 将f(x)=?lnx$f(x)=?lnx$在x=1$x=1$一阶展开，可以得到f(x)=1?x$f(x)=1?x$
  • 则熵函数可以写为
    

5. 方向导数

• 函数f(x)在任意方向L的导数，φ是L与x轴方向夹角
  

• 梯度gradf(x)$gradf(x)$，高程变化最快的方向，抛去cos,sin函数
  

6. 凸函数

• 形象化解释
  

  • 不等式左侧，是曲线上一点
  • 不等式右侧，是直线上一点
  • 直线上一点 > 曲线上一点
  • 割线在上，函数在下 => 凸函数

• 判定方法
  

• 拓展更多维度，得到不等式
  
• 例子，完成证明
  
  
  

7. 概率论

7.1 概率的基本定义

- 事件一定发生 => P(X) = 1，反之不一定成立
- 事件一定不发生 => P(X) = 0，反之不一定成立
- 即概率 = 0，不意味着不可能发生
- 离散 => 概率
- 连续变量 => 概率密度

7.2 累积分布函数

- 给出f(x)，值域是[0,1] => 累计概率 => 求导，得到概率密度（Logistic回归）

• CDF: Cumulative Distribution Function，累计分布函数
• PDF: Probability Density Function，概率密度函数

7.3 例子：古典概型基本思路

• 例子
  
  • 算所有概型个数
    
  • 算有效事件个数
    
  • 两者相除即可得到结论
• 转化为另外一个例题，生日悖论
  

7.4 组合数 - 装箱问题

• 例子
  
  • 全部事件
    
  • 有效事件
    次品摆放
    正品拜访
• 组合数关系
  
  • n：物品总数
  • k：组的类别
  • n_k: 每组个数
• 进一步，如果明确 n = 2
  

7.5 商品推荐 - 几何概型

• A商品匹配度0.8，B商品匹配度0.2
• 系统随机为A生成在[0, 0.8]的均匀分布
• 系统随机为B生成在[0, 0.2]的均匀分布
• 系统全局为0.8*0.2的一个矩形，画一条A=B的直线，进行切割
  
  

7.6 概率公式总结

7.7 Bayes公式的应用

• 是否校准
  
• 校准和中靶结合
  
• 校准|中靶
  

7.8 两个学派

• 给定系统样本 => 求解系统该参数
  • 矩估计
  • MLE，MaxEnt， EM
  • 频率学派
• 贝叶斯模型
  • 参数本身变化，服从某个分布
  • 在分布约束下 => 目标函数极大极小

7.9 Bayes公式分析

• 先验概率：没有任何其他信息支撑
• 后验概率：已知数据的情况下
• 似然函数：给定概率分布 + 参数，求时间发生的概率

7.10 分布

• Possion分布
  将e^x的展开式处理
  

  • 处理汽车站候车人数，自然灾害发生
  • 即事件以平均瞬时速率λ随机独立出现，则在单位时间出现的次数 => Possion分布

• 指数分布
  

  • 无记忆效应
    

• 总结
  

• 用指数族 - exponential family来表达

• Logistic - Sigmond 函数
  
  
• 函数递增
• 值域[0, 1]
• 神经网络的激活函数

• 求导数
  

• Gamma函数
  

  • Gamma函数是阶乘的推广

1.微积分和概率论

原文：http://www.cnblogs.com/kongww/p/5237247.html