备注：本文修改时间为2020年6月27日大家好，我是飞燕网的站长，本文给大家说一下梯度以及梯度的物理意义吧。对于“梯度”这个东西，很多初学者搞不清楚，就连知乎上的大V，也是独乐乐不能与众乐乐，洋洋散散说了半天，读者也是一头雾水。之所以大家对“梯度”一头雾水，这是因为大家没有一个明确的理解路线，站长对梯度的理解路线为：导数->偏导数->方[...]

数学，不仅仅是去记公式，更要用心的去感受它，而且尽量的去多学，去深挖，这可能会花费很多的时间，导致有人会害怕浪费时间，毕竟很多人是面临着找工作的压力。多学一点无用的知识顶多算是多了点噪声，害怕多学而浪费时间，害怕深挖而浪费时间，这个已经属于观念级别的问题，已经达到激活函数层次，因为人的每个观念本质上就是人工智能领域中的激活函数。在这个层次如果有偏差[...]

虽然都是数学，线性代数和高数等其他数学分支，需要对知识的内涵加以深度的理解和思考，而数据结构和算法，更侧重于外形方面的认识。数据结构和算法，是我们很多人的弱项，究其原因，这也不能全怪于我们的学习方法有问题，而在于我们传统教育的土壤，因为我们中国人讲究含蓄，传统教育以分析内涵为主，而数据结构和算法这门学科，却以外形为主，例如链表，双向链表，树，图等。[...]

建好模型之后，必须对它进行评价，我们经常会使用一些评价指标来比较模型的预测准确度。常用的评价指标有：预测准确率，混淆矩阵，均方根误差等。1、分类指标1.1、预测准确率简单的说，就是正确的预测所占的比例。虽然它很简单容易理解，但是我们无法通过它得知预测误差是如何产生的。1.2、混淆矩阵混淆矩阵可以进一步了解预测模型的优缺点。通过样本的采集，我们能够直[...]

常用指标有3个：（1）{X}的支持度表示X项出现的频率，可以表示为P(X)（2）{X→Y}的置信度表示当X项出现时Y项同时出现的频率，可以表示为：P(XY)/P(X)（3）{X→Y}的提升度表示X项和Y项一同出现的频率，并且考虑每项各自出现的频率，可以表示为：P(XY)/P(X)P(Y)。公式看起来很容易理解，但是在实际问题中，我们常用被项集这个概[...]

学人工智能的人群分两类，一种是将数学当做人工智能的工具，另一类人是将人工智能当数学的工具。首先要扪心自问一下，看看自己属于哪类人？然后反思一下，看看是否正确。田忌赛马的故事，流传至今，说明了一个道理：调整一下顺序，格局完全不一样。上面的两类人的认知上的区别，无非就是顺序上的差异。

主成分可以用已有的一个或多个变量表示。 比如，可以使用生素C这个变量来区分不同的食物。因为蔬菜含维生素C而肉类普遍缺乏，所以可以通过维生素C这个变量区分蔬菜和肉类，但是无法进步区分不同的肉类。为了进一步区分不同的肉类，可以选择把脂肪含量作为第2个变量，因为肉类含有脂肪，而大部分蔬菜则不然。由于脂肪和维生素C的计量单位不同，因此在组合之前，必须先对它[...]

尽管K均值聚类方法很有用，但是它有一定的局限：（1）每个数据点只能属于一个群组。然而，数据点可能恰好位于两个群组中间，无法通过k均值聚类方法确定它应该属于哪个群组（2）群组被假定是正圆形的。查找距离某个群组中心点最近的数据点，这一迭代过程类似于缩小群组的半径，因此最终得到的群组在形状上类似于正圆形。假设群组的实际形状是椭圆形，那么在应用k均值聚类方[...]

机器学习一般包含两类参数：超参数和参数。超参数的数目通常不多，在10以内。参数的数目可能很多，如卷积神经网络中有近千万个参数(权重)。曲线拟合中，方程的次数就是超参数，多项式的系数就是参数。这两种参数的调参方式不同，超参数取值一般是人工设定的，参数值是根据参数优化算法自动寻优的。超参数的取值对模型泛化性能有重大的影响，验证集就是用来决定最优超参数取值的。

人的思维也是一种物质，只要它是物质必然遵循着某种运动规律。读研期间学过《随机过程》，知道有个马尔科夫链，记得当时在大的阶梯教室上课，学习的效果也不是很好，反正已经不记得了。过了多年，经过生活的阅历，最终发现马尔科夫链还有非常重要的现实意义。在改变自己的过程中，人们喜欢设立一个座右铭，每天读一读，以提醒自我。这个行为有什么数学依据呢？我们知道马尔科夫[...]