×

机器学习中应用数学应该要注意的几点注记

消耗积分:0 | 格式:rar | 大小:0.21 MB | 2018-11-16

分享资料个

  本章讨论的主题是我觉得在应用机器学习(和其他地方)中经常假设的,但是很少详细解释。这项工作是针对学生谁采取了一些线性方法和分析的课程,但谁想看到一些技巧使用的研究人员讨论更详细一些。这里描述的数学只是一般机器学习中使用的数学的一小部分(例如,机器学习理论的处理将包括基本泛化误差边界的数学)下游经常使用EST。我包括两种作业,‘练习’和‘谜题’。练习开始时很容易,反之亦然;这些谜题是带有一点马基雅维利恶作剧的练习。

  符号:矢量以粗体显示,矢量分量和矩阵以普通字体显示,因此例如v(a)i表示第a矢量v(a)的第i分量。符号A:0()表示矩阵A为正(半)定。矩阵A的转置表示为,而向量X的转置表示X:。

 

  假设您希望最小化某个函数f(x),x*Rd,受约束C(x)=0。一种直接的方法是找到约束的参数化,使得用那些参数表示的f成为无约束函数。例如,如果c(x)=x:A x_1,x∈Rd,如果A:0,则可以旋转到坐标系并重新定标以对角化约束为形式y:y=1,然后用编码y在(d_1)球体上的约束的参数化替换。充足的

  Y1=正弦1正弦Sn 2···辛钍d 2正弦Sd D 1

  Y2=Sin Th 1 Sin Th 2···Sin Th D=2 CoS Th D D 1

  Y3=正弦1正弦Sn 2···CoS Th D=2

  ·····

  不幸的是,对于一般约束(例如,当c是d变量中的一般多项式时)这是不可能的,并且即使如此,上面的示例表明事情可以很快变得复杂。几何学

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

评论(0)
发评论

下载排行榜

全部0条评论

快来发表一下你的评论吧 !