2.导数——线性代数回顾、曲线概念_1
目录
线性代数回顾
曲线概念
线性代数回顾
我们要开始接触直线斜率的概念了,证明了开始要学习导数了,
这里我们会做一个自理,顺便回顾一下线性代数的知识。
怎么求一条直线的斜率呢?如图:
首先,这个直线方程是:f(x) = mx + b。(其实m就是斜率)
我们的方法是在直线取两点:
x = a,把a代入方程,所以y=f(a)。
x = b,把b代入方程,所以y=f(b)。如图:
那我们怎么求两点的斜率?也就是求这条直线的斜率。
(注意:直线任意点的斜率都是同一个常数)
斜率等于上高度比上跨度。如果你刚学线性代数时你们会看这个定义。
另一种方法:斜率等于y增量比上x增量。我们使用这个公式来求出斜率:
首先,是多少?也就是 y 的增量是多少?
我们在图中可以看到 y 的增量,其实就是这里(绿色的线):
它就是,所以。
那么,是多少?也就是 x 的增量是多少?
我们在图中可以看到 x 的增量,其实就是这里(红色的线):
它就是,所以。所以我们得到:
把它们代到这里来计算就得到斜率了。这是很简单的。
现在我们a上面的点坐标设置为(3,4),b上面的点坐标设置为(6,8)。
如果我们要求直线的斜率:
得出斜率为4/3。
曲线概念
下面我们继续推广斜率的定义,也就是我们探究微积分时,将会学到新的概念。
我们要把这个斜率推广到曲线。
什么是曲线的斜率?
我们先画个曲线,方程是y = x^2 ,如下一个曲线图:
假设我们要具体求出这一点的斜率:
事实上,求某一点的斜率之前,我们必须先弄懂什么是曲线的斜率。
我们知道,直线的斜率是一直不变的。但对于曲线,它的斜率是变化的。
以上图上的那一点的斜率就是该点切线的斜率。就是刚好与曲线相切的直线,这的斜率就是这一点的斜率。如图:
这一点的斜率是负数。然后这点,它的斜率也是负的,但是这个负数的绝对值稍小。就像这样:
接着正向增加,斜率又变成递增了,我在画另一条切线,如图:
直线的斜率是不变的,你可以在直线上取任意两点,然后求出y和x的增量之比,就得到整条直线的斜率了。
但你们已经看到对于曲线,求它的斜率就稍微不同了。
我们来做个试验:
如果这时我想求这一点的斜率,我们该怎么做?
根据斜率的定义,求斜率需要两个坐标点。只有一个点的话,我们不知道怎么求斜率。
我们先令这一点的横坐标为x,我们取一个稍微大一点的点。如图:
那么,它们在曲线上的纵坐标是多少?曲线方程是y = f(x)。
那么这相当接近的两点,它们之间的斜率是多少呢?
请记住,现在求的还不是这一点的斜率,现在求的是这两点连线的斜率。割线和曲线相交两点:
我放大图那两点之间的图:
下面橙色点的坐标是,上面绿色点的坐标是。
不管线性方程是什么,把横坐标代进去求得的就是纵坐标。
任意去两点,作为切入点。我们先问自己这条斜率是多少呢?
求直线斜率先求出y增量,然后用它比上x增量,如图:
黄色就是x和y的增量部分,然后这条割线的斜率是多少呢?我们根据公式得出:
我们先把它简化一下:
我们定义坐标的时候是令第二点比第一点大某个数h,而我们有一种叫"极限"的数学工具。
h是个一般化数据,可以是任何数。至少理论上是可以假设的。
如果令h无限趋近于0会怎么样?
首先,这里h可能是一个很大的数,但如果我令h变小一点,任何我们求这条新割线的斜率,如图:
然后继续令h变小一点,又求一次新割线的斜率:
一直这样变小。当h逐渐趋近与0,我求出的割线斜率就越来越接近,一直到所要求的那个点的切线的斜率了。
显然,如果h很大割线的斜率和那个确切的点的斜率相差十万八千里。
但如果h是0.00000001的话,两个斜率就非常接近了。
所以,我取 h 趋于0这一极限会怎么样呢?
(有教材把h写成,是一样的。)
我们就令该表达式为这点切线的斜率,这个式子我们称为f(x)的导函数,我把它写下来:
记住,曲线上的每一点斜率都不一样。不管你取什么x值,它都对应一个不同的斜率。
现在可以利用这个公式,把任意x值代入,求出那一点斜率。
——请不断重复练习、练习、练习、再练习。。。
2.导数——线性代数回顾、曲线概念_1相关推荐
- 斯坦福大学吴恩达机器学习教程中文笔记——week1——引言,单变量线性回归,线性代数回顾
第1周 文章目录 第1周 @[toc] 引言(Introduction) 1.1 欢迎 1.2 机器学习是什么? 1.3 监督学习 1.4 无监督学习 二.单变量线性回归(Linear Regress ...
- 【吴恩达机器学习笔记】1引言、单变量线性回归、线性代数回顾
1引言(Introduction) 1.1欢迎(Welcome) 1.2机器学习是什么(What is machine learning?) Arthur Samuel(1959):机器学习是在没有进 ...
- 第三章 线性代数回顾-机器学习老师板书-斯坦福吴恩达教授
第三章 线性代数回顾 3.1 矩阵和向量 3.2 加法和标量乘法 3.3 矩阵向量乘法 3.4 矩阵乘法 3.5 矩阵乘法特征 3.6 逆和转置 3.1 矩阵和向量 3.2 加法和标量乘法 3.3 矩 ...
- 吴恩达机器学习(第三章)——线性代数回顾
第三章-线性代数回顾 文章目录 第三章-线性代数回顾 矩阵和向量 矩阵的加法 矩阵的乘法 矩阵标量乘法 矩阵向量乘法 矩阵乘法 矩阵乘法的性质 矩阵的逆.转置 矩阵和向量 矩阵(Matrix) 是一个 ...
- 线性代数回顾.pptx
机器学习,需要一定的数学基础,需要掌握的数学基础知识特别多,如果从头到尾开始学,估计大部分人来不及,我建议先学习最基础的数学知识. 这个是我考研考博时候整理的中文教材的资料,分为高等数学.线性代数.概 ...
- GAMES101课程学习笔记—Lec 02:Linear Algebra 线性代数回顾
GAMES101课程学习笔记-Lec 02:Linear Algebra 线性代数回顾 0 图形学的依赖学科 1 向量 1.1 点乘 1.2 叉乘 2 矩阵 本节课知识比较基础,大学课程里应该都学过, ...
- 6.边缘检测:梯度——回顾、简化的图像、边缘概念_1
目录 回顾 简化的图像 边缘概念 回顾 上环节,我们开始讨论过滤作为一种在图像中找到特定模式的方法. 我们讨论了模板查找.这个想法是给定一些模式,相关或卷积是在图像中找到那个模式的一种方法. 我们假设 ...
- 人工智能数学基础--导数1:基础概念及运算
一.导数的定义 导数(Derivative),也叫导函数值.又名微商,是微积分中的重要基础概念.当函数y=f(x)的自变量x在一点x0上产生一个增量Δx时,函数输出值的增量Δy与自变量增量Δx的比值在 ...
- 机器学习笔记(3):线性代数回顾
目录 1)Matrices and vectors 2)Addition and scalar multiplication 3)Matrix-vector multiplication 4)Matr ...
最新文章
- HDU1548:A strange lift(Dijkstra或BFS)
- CNN+CTC语音识别
- optimized mysql_MySQL|MySQL执行计划
- Oracle/MySQL数据库的表间关联查询_多表关联查询的SQL语句详解
- tcp协议的主要功能是什么_前端要知道的网络知识一:TCP/IP 协议到底在讲什么...
- Ajax Control Toolkit--Slider:有朝一日倒过来
- 微信公众账号开发入门准备
- the vmrc console has disconnected attempting to reconnect
- java将模糊的图片变清晰_java高清图生成缩略图变得模糊
- 将英文转化为二进制黑白码
- OSS回源的几种方式和应用场景
- java 求100天之后是周几
- 浅谈Redis延迟测试方法
- 理工科科研结果展示怎样让PPT高大上?
- 智能科学与技术与数据科学与大数据技术哪个好
- Dijkstra 路径规划算法在二维仿真环境中的应用 -- Python代码实现
- 大数据分析的下一代架构--IOTA架构[上]
- ​Intel 150亿美元买下Mobileye;雅虎原CEO梅耶尔离职了│IoT黑板报
- 【转】float与double的范围和精度
- 浅谈前端、客户端、服务器、后台、与下位机之间的关系
热门文章
- AOS编排语言系列教程(六):创建共享云硬盘EVS
- 【华为云实战开发】2.Docker镜像部署怎么玩才酷炫?
- python测试驱动开发百度云_【有书共读】《Python测试驱动开发》读书笔记01
- php socket 实现ftp,用socket实现FTP教程
- m1MacBook的TensorFlow虚拟环境---pytables的安装
- 怎么装python编译器_python编译器安装
- note_maven中的常用命令
- 一建管道工程122知识点_背诵的知识点是否边缘化?一建市政一本通+学霸笔记,教你只记重点...
- C语言循环设计结构,c语言---循环结构设计.ppt
- csgo跳投指令_csgo跳投绑定指令