Machine Learning
  • Introduction
  • man
  • Linear model
    • Linear Regression
    • Generalized Linear Models
    • Nonlinear regression
  • bayes
    • bayesian network
    • Variational Bayesian inference
    • Gaussian Process Regression
  • Logistic Regression
    • L1 regularization
    • L2 regularization
    • softmax
    • Overflow and Underflow
  • SVM
    • C-SVM
    • C-SVM求解
  • EM
    • GMM
  • Maximum Entropy
    • IIS
  • HMM
    • viterbi algorithm
  • CRF
  • Random Forest
    • bagging
    • random forest
  • boosting
    • catboost
    • gradient boosting
    • Newton Boosting
    • online boosting
    • gcForest
    • Mixture models
    • XGBoost
    • lightGBM
    • SecureBoost
  • LDA
  • rank
    • RankNet
    • LambdaRank
    • SimRank
  • Factorization Machine
    • Field-aware Factorization Machine
    • xdeepFM
  • Clustering
    • BIRCH
    • Deep Embedding Clustering
  • Kalman filtering
  • word2vec
  • 关联规则挖掘
  • MATH-Mathematical Analysis
    • measure
  • MATH-probability
    • Variational Inference
    • Dirichlet分布
    • Gibbs Sampling
    • Maximum entropy probability distribution
    • Conjugate prior
    • Gaussian Process
    • Markov process
    • Poisson process
    • measure
    • Gumbel
  • MATH-Linear Algebra
    • SVD
    • SVD-推荐
    • PCA
    • Linear Discriminant Analysis
    • Nonnegative Matrix Factorization
  • MATH-Convex optimization
    • 梯度下降
    • 随机梯度下降
    • 牛顿法
    • L-BFGS
    • 最速下降法
    • 坐标下降法
    • OWL-QN
    • 对偶问题
    • 障碍函数法
    • 原对偶内点法
    • ISTA
    • ADMM
    • SAG
  • MATH-碎碎念
    • cost function
    • Learning Theory
    • sampling
    • Entropy
    • variational inference
    • basis function
    • Diffie–Hellman key exchange
    • wavelet transform
    • 图
    • Portfolio
    • 凯利公式
  • ML碎碎念
    • 特征
    • test
    • TF-IDF
    • population stability index
    • Shapley Values
  • 课件
    • xgboost算法演进
  • Time Series
  • PID
  • graph
    • SimRank
    • community detection
    • FRAUDAR
    • Anti-Trust Rank
    • Struc2Vec
    • graph theory
    • GNN
  • Anomaly Detection
    • Isolation Forest
    • Time Series
  • Dimensionality Reduction
    • Deep Embedded Clustering
  • Federated Learning
  • automl
  • Look-alike
  • KNN
  • causal inference
Powered by GitBook
On this page
  • 常用积分和求导公式
  • 分部积分
  • 换元公式

Was this helpful?

MATH-Mathematical Analysis

Previous关联规则挖掘Nextmeasure

Last updated 5 years ago

Was this helpful?

常用积分和求导公式

分部积分

设函数u(x)u(x)u(x)、v(x)v(x)v(x)在区间[a,b][a,b][a,b]上具有连续导数,则有∫abudv=[uv]ab−∫abvdu\int_a^b u \mathrm{d}v = [uv]_a^b -\int_a^b v \mathrm{d}u∫ab​udv=[uv]ab​−∫ab​vdu 这个怎么来的:

duv=duv+udv然后对两边积分uv=∫vdu+∫udvd uv = du \quad v + u \quad dv \\ \text{然后对两边积分} \\ uv = \int v du + \int u dvduv=duv+udv然后对两边积分uv=∫vdu+∫udv

换元公式

假设

  • f(x)f(x)f(x)在区间[a,b][a,b][a,b]上连续

  • 函数x=φ(t)x=\varphi(t)x=φ(t)在[α,β][\alpha,\beta][α,β]上是单值的且有连续导数

  • 当t在区间[α,β][\alpha,\beta][α,β]上变化时,x=φ(t)x=\varphi(t)x=φ(t)的值在[a,b][a,b][a,b]上变化,且φ(α)=a,φ(β)=b\varphi(\alpha) = a, \varphi(\beta)=bφ(α)=a,φ(β)=b

    则有 ∫abf(x)dx=∫αβf[φ(t)]φ′(t)dt\int_a^b f(x) \mathrm{d}x = \int_\alpha^\beta f[\varphi(t)] \varphi^\prime(t) \mathrm{d}t∫ab​f(x)dx=∫αβ​f[φ(t)]φ′(t)dt

首先,黎曼首先提出将可积性和连续性分离。也就是说,他重新定义了积分(不依赖于连续性),并且给出了黎曼可积的充要条件。这就是为什么你所说的定积分称为黎曼积分最重要的原因之一。

其次,黎曼提出了黎曼重排定理。他证明了对于任意实数,存在某个莱布尼兹级数的重排使得新级数收敛于这个实数。

这两个应该是黎曼在微积分方面做出的最主要贡献。当然在分析方面黎曼的贡献远远不止这些。

如果题主对微积分历史有兴趣,可以参看《微积分的历程:从牛顿到勒贝格》(美)邓纳姆。这本书有中文版,并且对于某些定理还有证明。

作者:等待飞翔

牛顿莱布尼茨的微积分是经验的,方法论的,和级数有密切关系,问题是当时根本不考虑级数是否收敛,要不要说一致收敛了,包括后来的伯努力兄弟,欧拉大神和傅立叶都是拿起级数就用(竟然没出错 ),拉格朗日甚至把微积分建立在级数基础上。牛顿莱布尼茨的微积分另一个更严重的问题就是无穷小量dx,它就像一个幽灵,既可以直接当作0,又能当分母,既像一个静态的数,又像一个动态变小的过程,微积分这座大厦的基础根本不牢固,这也是拉格朗日当初考虑把级数作为微积分的基础的原因(心疼拉格朗日大神 ),这种局面直到柯西采用极限作为微积分的基础重新定义微分并且建立级数收敛的概念,然后魏尔斯特拉斯提出一致收敛,黎曼定义定积分,最后勒贝格在康托尔集合论基础上建立勒贝格积分,现代微积分的大厦终于落成。不过我们现在见到的微积分的叙述方式和黎曼不同(现在微积分叙述更接近达布),和柯西也不同,和伯努力欧拉拉格朗日不同,更和牛顿莱布尼茨不相同,但是你都能看到他们的影子。

作者:桔梗

尽快脱离Riemann积分,用Lebesgue积分

一名工科生眼中的数学分析(上)

链接:

链接:

代数结构入门:群、环、域、向量空间
测度-长度是怎样炼成的1:关于无穷
测度-长度是怎样炼成的2:测度的建立
测度-长度是怎样炼成的3:长度的意义
测度-长度是怎样炼成的4:若干注记
概率与测度系列
空间点过程与随机测度(一):从数星星说起
数学家眼中的概率究竟是怎样的(一):神秘的不可测集
数学家眼中的概率究竟是怎样的(二):测度与概率
勒贝格测度
数分入门:极限与实数理论
强大数定律与康托三分集
Riemann 积分与 Lebesgue 积分的联系与差异分别是什么
有哪些比较少见却很实用的解积分的经验技巧
巴拿赫-塔斯基悖论
用python学微积分
https://zhuanlan.zhihu.com/p/24636107
黎曼猜想,及其解释(上)
黎曼猜想,及其解释(下)
证明实数区间不可数的新方法
关于级数
https://www.zhihu.com/question/30052858/answer/46578712
https://www.zhihu.com/question/27052700/answer/134180808