【机器学习基础】前置知识(一):数学符号及希腊字母
本文列出了常用的机器学习数学符号(Mathematical notations),包含代数、微积分、线性代数、概率论、集合论、统计学以及希腊字母。
代数
符号 | 名称 | 描述 | 例子 |
---|---|---|---|
(f∘g) | 复合函数 | 嵌套函数 | (f∘g)(x)=f(g(x)) |
∆ | 德耳塔 | 变化/区别 | ∆x=x_1-x_0 |
e | 欧拉数 | e=2.718281828 | s=11+e−z |
∑ | 求和 | 求和 | ∑x_i=x_1+x_2+x_3 |
∏ | 大写派 | 所有数的乘积 | ∏x_i=x_1∙x_2∙x_3 |
ϵ | 艾普西隆 | 0附近的小数 | lr=1e-4 |
微积分
符号 | 名称 | 描述 | 例子 |
---|---|---|---|
x′ | 一阶导数 | 一阶导数 | (x^2)′ =2x |
x″ | 二阶导数 | 二阶导数 | (x^2)″ =2 |
lim | 极限 | x接近0时的函数值 | |
∇ | nabla | 梯度 | ∇f(a,b,c) |
线性代数
符号 | 名称 | 描述 | 例子 |
---|---|---|---|
[ ] | 方括号 | 矩阵或向量 | M=[135] |
⋅ | 点 | 点积 | Z=X⋅W |
⊙ | 哈达马 | 哈达马乘积 | A=B⊙C |
XT | 转置 | 矩阵转置 | WT⋅X |
x→ | 向量 | 向量 | v=[123] |
X | 矩阵 | 大写字母如 | X,C,A,I,Y,O,N,G,J,I |
x^ | 单位向量 | 大小为1的向量 | x^ |
概率论
符号 | 名称 | 描述 | 例子 |
---|---|---|---|
P(A) | 概率 | 事件A发生的概率 | P(x=1) = 0.5 |
集合论
符号 | 名称 | 描述 | 例子 |
---|---|---|---|
S | 集合 | 不同元素的列表 | S = {1, 5, 7, 9} |
统计学
符号 | 名称 | 描述 | 例子 |
---|---|---|---|
μ | 总体均值 | 总体平均值 | |
x¯ | 样本平均值 | 总体子集的平均值 | |
σσ2 | 总体方差 | 总体方差 | |
s2 | 样本方差 | 总体子集的方差 | |
σX | 标准偏差 | 总体标准差 | |
s | 样本标准差 | 样本标准差 | |
ρX | 相关性 | 变量X和Y的相关性 | |
x~ | 中位数 | 变量x的中值 |
希腊字母
大写 | 小写 | 英文注音 | 国际音标注音 | 中文注音 |
---|---|---|---|---|
Α | α | alpha | alfa | 阿耳法 |
Β | β | beta | beta | 贝塔 |
Γ | γ | gamma | gamma | 伽马 |
Δ | δ | deta | delta | 德耳塔 |
Ε | ε | epsilon | epsilon | 艾普西隆 |
Ζ | ζ | zeta | zeta | 截塔 |
Η | η | eta | eta | 艾塔 |
Θ | θ | theta | θita | 西塔 |
Ι | ι | iota | iota | 约塔 |
Κ | κ | kappa | kappa | 卡帕 |
∧ | λ | lambda | lambda | 兰姆达 |
Μ | μ | mu | miu | 缪 |
Ν | ν | nu | niu | 纽 |
Ξ | ξ | xi | ksi | 可塞 |
Ο | ο | omicron | omikron | 奥密可戎 |
∏ | π | pi | pai | 派 |
Ρ | ρ | rho | rou | 柔 |
∑ | σ | sigma | sigma | 西格马 |
Τ | τ | tau | tau | 套 |
Υ | υ | upsilon | jupsilon | 衣普西隆 |
Φ | φ | phi | fai | 斐 |
Χ | χ | chi | khai | 喜 |
Ψ | ψ | psi | psai | 普西 |
Ω | ω | omega | omiga | 欧米 |
往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑
本站知识星球“黄博的机器学习圈子”(92416895)
本站qq群704220115。
加入微信群请扫码:
【机器学习基础】前置知识(一):数学符号及希腊字母相关推荐
- pytorch零基础实现手写数学符号识别项目(一)——数据集以及数据概况
数据概况 项目文章列表 前言 数据集 数据集地址 数据集信息 查看代码 数据集的使用 观察数据 直接观察 基于统计的观察 数据细节 读入数据 数据标签 保存标签索引 OOM问题 原因 解决方案 存储路 ...
- Latex编辑数学符号和希腊字母的方法
Latex编辑希腊字母 在Latex编辑器中编辑希腊字体的方法是: $\希腊字母对应的英文名称$ eg:如果想输入ε,则输入方式如下所示: $\varepsilon$ 几个主要的希腊字母对应的英文名称 ...
- 全栈之路-前端篇 | 第三讲.基础前置知识【前端标准与研发工具】学习笔记
欢迎关注「全栈工程师修炼指南」公众号 点击
- 全栈之路-前端篇 | 第一讲.基础前置知识【浏览器内核与网络知识】学习笔记
欢迎关注「全栈工程师修炼指南」公众号 点击
- 全栈之路-前端篇 | 第二讲.基础前置知识【应用服务端与编程语言】学习笔记
欢迎关注「全栈工程师修炼指南」公众号 点击
- 【机器学习基础】(六):通俗易懂无监督学习K-Means聚类算法及代码实践
K-Means是一种无监督学习方法,用于将无标签的数据集进行聚类.其中K指集群的数量,Means表示寻找集群中心点的手段. 一. 无监督学习 K-Means 贴标签是需要花钱的. 所以人们研究处理无标 ...
- 【机器学习基础】通俗易懂无监督学习K-Means聚类算法及代码实践
K-Means是一种无监督学习方法,用于将无标签的数据集进行聚类.其中K指集群的数量,Means表示寻找集群中心点的手段. 一. 无监督学习 K-Means 贴标签是需要花钱的. 所以人们研究处理无标 ...
- 【机器学习基础】(三):理解逻辑回归及二分类、多分类代码实践
本文是机器学习系列的第三篇,算上前置机器学习系列是第八篇.本文的概念相对简单,主要侧重于代码实践. 上一篇文章说到,我们可以用线性回归做预测,但显然现实生活中不止有预测的问题还有分类的问题.我们可以从 ...
- 【机器学习基础】(四):通俗理解支持向量机SVM及代码实践
上一篇文章我们介绍了使用逻辑回归来处理分类问题,本文我们讲一个更强大的分类模型.本文依旧侧重代码实践,你会发现我们解决问题的手段越来越丰富,问题处理起来越来越简单. 支持向量机(Support Vec ...
最新文章
- UML 对象模型图阅读指南 (转)
- Android 动画机制与使用技巧
- PowerBI 2019.12更新完美收官2019
- mysql查询表名匹配只有字母的_MySQL按某些匹配字母查询表
- Nginx使用HTTP基本身份验证限制访问
- Nginx实战基础篇一 源码包编译安装部署web服务器
- AgileEAS.NET平台开发案例-药店系统-项目说明
- BZOJ 1492 货币兑换Cash
- oracle 中的参数 optimizer_mod的各个参数的意义
- leetcode 46 Permutations ----- java
- 老电脑宏基E1-471G SSD 装win10系统
- WinRAR安装教程
- app抓包工具_安卓APP逆向入门分析——破解某APP登陆请求参数
- 电容或电感的电压_测量电容或电感的电路
- MYSQL 数据库维护常识
- 【刘文彬】【源码解读】EOS测试插件:txn_test_gen_plugin.cpp
- node抓取58同城信息_如何使用标准库和Node.js轻松抓取网站以获取信息
- 【电子存证】互联网企业存证需求与痛点
- Unity粒子系统基本
- 概率问题的求解 —— 样本空间
热门文章
- 学破解 一 PE格式之MS-DOS MZ header
- Python Importlib.import_module动态导入模块
- 新旧apache HttpClient 获取httpClient方法
- nodejs安装和卸载
- C\C++对文件的读写操作
- 实训七(项目准备与创建)
- python绘制分组条形图_python中分组值的条形图
- 【论文阅读整理】A Survey on Device-free Indoor Localization and Tracking in the Multi-resident Environment
- 撰写科研海报(poster)的必看技巧
- linux卸载vs codeblocks,哪个适合linux? GNU make vs cmake vs codeblocks vs qmake