【机器学习】机器学习工程实战

发布于:2025-03-16 ⋅ 阅读:(18) ⋅ 点赞:(0)


书籍简介
【加】安德烈布可夫(Andriy Burkov ) 著
王海鹏 丁静 译
中国工信出版集团 人民邮电出版社


第1章 概述

1.1 符号和定义

1.1.1 数据结构

标量(scala)
一个简单的数值,如15或-3.25。
取标量值的变量或常量用斜体字母表示,如x或a。
向量(vector)
是一个有序的标量值列表,这些值称为属性。
向量可以用可视化的方式表示为箭头,指向某种方向,以及多维空间中的点。
二维向量举例:a = [2,3] , b = [-2,5] , c = [1,0]
我们想向量的一个属性表示为一个带索引的值,比如w(i)或x(j)
索引j表示一个向量的特定维度(dimension),即属性在列表中的位置。例如向量a中,a(1)=2,a(2)=3。
一个变量可以有两个或更多的索引,如 x i ( j ) x_{i}^{(j)} xi(j) x i , j ( k ) x_{i,j}^{(k)} xi,j(k)
例如在神经网络中,第l层中单元u的输入特征j表示为 x l , u ( j ) x_{l,u}^{(j)} xl,u(j)
矩阵(matrix)
是一个以行和列排列的矩形数字阵列。
A= [ 2 − 2 1 3 5 0 ] \begin{bmatrix} 2 & -2 & 1\\ 3 & 5 & 0 \end{bmatrix} [232510] 是一个2行3列的矩阵
集合(set)
记为大写字母S
唯一元素的无序集。
一个集合可以是有限的(包括固定数量的值)。在这种情况下,用花括号来表示。
例如{1,3,18,23,235}或(x1,x2,x3,···,xn)。
另外,一个集合也可以是无限的,包括某个区间的所有值。
交集(intersection)
S1和S2的交集S3,我们写为 S 2 ← S 1 ∩ S 2 S_2 \leftarrow S_1 \cap S_2 S2S1S2
|S|
表示集合S的大小,也就是它所包含的元素数量。

1.1.2大写西格玛记法

对集合X={x1,x2,···, x n − 1 x_{n-1} xn1,x_n}或对向量的属性x=[x1,x2,···, x m − 1 x^{m-1} xm1,xm]求和是这样表示的:

∑ i = 1 n   x i = d e f \sum_{i=1}^{n} \ x_i \overset{def}{=} i=1n xi=def x 1 + x 2 + ⋅ ⋅ ⋅ + x n − 1 + x n x_1 + x_2 +···+x_{n-1} + x_n x1+x2+⋅⋅⋅+xn1+xn

∑ j = 1 m   x ( j ) = d e f \sum_{j=1}^{m} \ x^{(j)} \overset{def}{=} j=1m x(j)=def x ( 1 ) + x ( 2 ) + ⋅ ⋅ ⋅ + x ( m − 1 ) + x ( m ) x^{(1)} + x^{(2)} +···+x^{(m-1)} + x^{(m)} x(1)+x(2)+⋅⋅⋅+x(m1)+x(m)

= d e f \overset{def}{=} =def 的意思是“定义为”。
向量x的欧氏范数(Euclidean norm),用 ∥ x ∥ \|x\| x表示,表示向量的“大小”或“长度”。
通过计算 ∑ j = 1 D ( x ( j ) ) 2 \sqrt{\sum_{j=1}^{D}(x^{(j)})^2} j=1D(x(j))2 得到。
两个向量a和b之间的距离由欧氏距离(Euclidean distance)给出:

∥ x ∥ = d e f ∑ i = 1 N ( a ( i ) − b i ) 2 \|x\| \overset{def}{=}\sqrt{\sum_{i=1}^{N}(a^{(i)}-b^{i})^2} x=defi=1N(a(i)bi)2

1.2 什么是机器学习

腊肉芥末果
打了一下午的字,学习进展缓慢,主要是数学符号太难输入了。。

后续待更新
基本是在抄书,后期是想梳理总结的。