Home

Welcome to the AI_terminology wiki!

算法或理论	用到的数学知识点
贝叶斯分类器	随机变量，贝叶斯公式，随机变量独立性, 正态分布, 最ᄎ似然估计
决策树	概率, 摘，Gini 系数
knn 算法	距离函数
主成分分析	协方差矩阵, 散布矩阵，拉格朗日乘数法，特征值与特征向量
流形学习	流形, 最优化，测地线，测地距离，图，特征值与特征向量
线性判别分析	散度矩阵，逆矩阵, 拉格朗日乘数法，特征值与特征向量
支持向量机	点到平面的距离, slater 条件，强对偶，拉格朗日对偶, KKT 条件, 凸 优化, 核函数，Mercer 条件
Logistic	概率，随机变量，最大似然估计，梯度下降法, 凸优化, 牛顿法
随机森林	抽样，方差
AdaBoost 算法	概率, 随机变量，最大似然估计，梯度下降法，凸优化, 牛顿法
隐马尔可夫模型	概率，离散型随机变量, 条件概率, 随机变量独立性，拉格朗日乘数法, 最大似然估计
条件随机场	条件概率，数学期望，最大似然估计
高斯混合模型	正态分布，最大似然估计, jensen 不等式
人工神经网络	梯度下降法, 链式法则
卷积神经网络	梯度下降法，链式法则
循环神经网络	梯度下降法, 链式法则
生成对抗网络	梯度下降法，链式法则, 极值定理，Kullback-Leibler 散度，jensen-Shannon 散度，测地距离, 条件分布, 互信息
K~means 算法	距离函数
贝叶斯网络	条件概率，贝叶斯公式，图
VC 维	Hoeffding 不等式

算法或理论 用到的数学知识点

1. 贝叶斯分类器 随机变量，贝叶斯公式，随机变量独立性, 正态分布, 最大似然估计
2. 决策树 概率, 摘，Gini 系数
3. knn 算法 距离函数
4. 主成分分析 协方差矩阵, 散布矩阵，拉格朗日乘数法，特征值与特征向量
5. 流形学习 流形, 最优化，测地线，测地距离，图，特征值与特征向量
6. 线性判别分析 散度矩阵，逆矩阵, 拉格朗日乘数法，特征值与特征向量
7. 支持向量机 点到平面的距离, slater 条件，强对偶，拉格朗日对偶, KKT 条件, 凸 优化, 核函数，Mercer 条件
8. Logistic 概率，随机变量，最大似然估计，梯度下降法, 凸优化, 牛顿法
9. 随机森林 抽样，方差
10. AdaBoost 算法 概率, 随机变量，最大似然估计，梯度下降法，凸优化, 牛顿法
11. 隐马尔可夫模型 概率，离散型随机变量, 条件概率, 随机变量独立性，拉格朗日乘数法, 最大似然估计
12. 条件随机场 条件概率，数学期望，最大似然估计
13. 高斯混合模型 正态分布，最大似然估计, jensen 不等式
14. 人工神经网络 梯度下降法, 链式法则
15. 卷积神经网络 梯度下降法，链式法则
16. 循环神经网络 梯度下降法, 链式法则
17. 生成对抗网络 梯度下降法，链式法则, 极值定理，Kullback-Leibler 散度，jensen-Shannon 散度，测地距离, 条件分布, 互信息
18. K~means 算法 距离函数
19. 贝叶斯网络 条件概率，贝叶斯公式，图
20. VC 维 Hoeffding 不等式

• AdaBoost 算法|概率, 随机变量，最大似然估计，梯度下降法，凸优化, 牛顿法
• 隐马尔可夫模型|概率，离散型随机变量, 条件概率, 随机变量独立性，拉格朗日乘数法, 最大似然估计
• 条件随机场|条件概率，数学期望，最大似然估计
• 高斯混合模型|正态分布，最大似然估计, jensen 不等式
• ᄉ工神经网络|梯度下降法, 链式法则
• 卷积神经网络|梯度下降法，链式法则
• 循环神经网络|梯度下降法, 链式法则
• 生成对抗网络|梯度下降法，链式法则, 极值定理，Kullback-Leibler 散度，jensen-Shannon 散度，测地距离, 条件分布, 互信息
• K~means 算法|距离函数
• 贝叶斯网络|条件概率，贝叶斯公式，图
• VC 维|Hoeffding 不等式

---