整理各种模型的公式，以后面试复习用RNN公式：ht=f(W⋅[ht−1,xt]+b)h_{t}=f\left(W \cdot\left[h_{t-1}, x_{t}\right]+b\right)ht​=f(W⋅[ht−1​,xt​]+b)LSTM公式：遗忘门：ft=σ(Wf⋅[ht−1,xt]+bf)f_{t}=\sigma\left(W_{f} \cdot\left[h_{t-1}, x_{t

矩阵是什么？我们都知道映射指的是一个空间 Rm\mathbb{R}^mRm到另一个空间 Rn\mathbb{R}^nRn的变换关系，狭义的函数其实是映射的一种特例，特指实数集间 R1\mathbb{R}^1R1的映射关系。在所有映射中，我们最常见的是线性映射，对这种线性映射关系，我们是用矩阵来刻画，比如我们要将一个向量x∈Rmx \in \mathbb{R}^mx∈Rm映射到另外一个空间Rn\..

分

好的

由于Poetry是依靠pip来进行安装的，所以我们可以通过更改pip镜像源来加快速度，但是Poetry没有提供临时更换镜像源的接口，所以我们只能修改pip镜像源配置文件（永久修改，恢复默认删除内容即可）。相关文章：pip临时更换镜像源 https://blog.csdn.net/MoreAction_/article/details/105894344镜像源清华：https://pypi.tuna

基本概念为了能够更深刻的理解，这里先梳理一下概率论中的几个基本概念。事件事件指某种（或某些）情况的“陈述”，通俗来讲，事件就是一些case，比如A事件定义为，掷出偶数点=(2,4,6)，这个case包含了多个结果，其中，每个结果叫做一个基本事件，一个事件是由若干基本事件构成的。由此可见，事件的本质是 集合。有了事件，自然就有事件之间的关系，因为事件的本质是集合，所以我们可以用集合的运算符号来表达事

最小二乘法存在不可逆和病态问题，导致解析解不可计算或不稳定，岭回归是一种有效的解决方法，以损失无偏性来换取稳定解， 本文介绍详细介绍了岭回归的基本原理，并从L2正则化角度来进行了解释。

在上文一文让你彻底搞懂最小二乘法（超详细推导）中我们提到过，发明最小二乘法的勒让德认为，让误差的平方和最小估计出来的模型是最接近真实情形的(误差=真实值-理论值)。换句话说，勒让德认为最佳的拟合准则是使 yiy_{i}yi​与 f(xi)f(x_{i})f(xi​)的距离的平方和最小，即：L=∑i=1n(yi−f(xi))2L=\sum_{i=1}^{n}(y_{i}-f(x_i))^{2}L=i

一些前置知识，期望、方差、协方差概念及其相关公式参见定义皮尔逊相关系数，简称相关系数，严格来说，应该称为“线性相关系数”。这是因为，相关系数只是刻画了X，Y之间的“线性”关系程度。换句话说，假如X与Y有其它的函数关系但非线性关系时，用相关系数来衡量是不合理的。相关系数定义为：ρX,Y=cov⁡(X,Y)σXσY=E((X−μX)(Y−μY))σXσY=E(XY)−E(X)E(Y)E(X2)−E2(

主成分分析（Principal components analysis）PCA是一个很重要的降维算法，可以用来降噪、消除冗余信息等，只要和数据打交道几乎是必学的。它需要一些前置知识，我自己学的时候总是一知半解，后来才知道是这些前置知识基础没打牢固，为了彻底搞明白，我另外写了几篇文章，理清了其中用到的一些知识，基础不好的同学可以先过一下：带你深入理解期望、方差、协方差的含义一文读懂特征值分解EVD与