首页 > TAG信息列表 > underset
latex帽子汇总
\(\hat{A}\) \hat{A} \(\widehat{A}\) \widehat{A} \(\tilde{A}\) \tilde{A} \(\widetilde{A}\) \widetilde{A} \(\overline{A}\) \overline{A} \(\underline{A}\) \underline{A} \(\overbrace{A}\) \overbrace{A} \(\underbrace机器学习基础——高数
高等数学 1.导数定义： 导数和微分的概念 \(f'({{x}_{0}})=\underset{\Delta x\to 0}{\mathop{\lim }}\,\frac{f({{x}_{0}}+\Delta x)-f({{x}_{0}})}{\Delta x}\) （1） 或者： \(f'({{x}_{0}})=\underset{x\to {{x}_{0}}}{\mathop{\lim }}\,\frac{f(x)-f({{x}_{0}})}{x一些优化问题的笔记---（拉格朗日乘子法、对偶问题、KKT条件、半二次方分裂法、ADMM）
To Be Continue~ 共轭函数 假设 \(f: \mathbb{R}^n \rightarrow \mathbb{R}\)，函数 \(f^*: \mathbb{R} \rightarrow \mathbb{R}\)。若两函数满足： \[f^*(y) = \underset{x \in dom f}{\sup} (y^Tx-f(x)) \]则 \(f^*\) 是 \(f\) 的共轭函数，共轭函数是使上式的上确界小于 \(\infty\)中科大-凸优化 笔记（lec8）-保凸变换（下）
全部笔记的汇总贴（视频也有传送门）：中科大-凸优化 一、椭球是球的仿射映射 ε = { x ∣PRML_solutions_Chapter11
Chapter 11. Sampling Methods 目录Chapter 11. Sampling MethodsExercise 11.10 Exercise 11.10 Hint. 用归纳法证明。 当 \(\tau=0\) 时，\(\underset{z^{(0)}}{\mathbb{E}}\left[z^{(0)}\right] =0\)，结论成立。 假设当 \(\tau=k\) 时，\(\underset{z^{(0:k)}}{\mathbb{E}}\leftPRML笔记
参数估计 点估计 极大似然估计： 优化目标：\(p(X|\theta)\) 预测分布：\(p(x|\theta_{\rm MLE})\) 最大后验估计：\(p(\theta|X, \alpha)\propto p(X|\theta)p(\theta|\alpha)\) 优化目标：\(p(X|\theta)p(\theta|\alpha)\) 预测分布：\(p(x|\theta_{\rm MAP})\) 矩估计（数理统计） 区机器学习-白板推导系列(六)(2) - 约束优化问题
6. 约束优化问题 6.1 弱对偶性证明 6.1.1 概述 约束优化问题 约束优化问题的 原 问 题 （ P机器学习_数学基础
高等数学 1.导数定义： 导数和微分的概念 \(f'({{x}_{0}})=\underset{\Delta x\to 0}{\mathop{\lim }}\,\frac{f({{x}_{0}}+\Delta x)-f({{x}_{0}})}{\Delta x}\) （1） 或者： \(f'({{x}_{0}})=\underset{x\to {{x}_{0}}}{\mathop{\lim }}\,\frac{f(x)-f({{x}_{0}})}{x拉格朗日对偶性
拉格朗日对偶性 原始问题： $\underset{x}{min}f(x)$ $\begin{matrix}s.t. & c_{i}(x)\leq 0，i=1\sim k \\ &h_{j}(x)= 0，j=1\sim l \end{matrix}$ 广义拉格朗日函数 $L(x,\alpha ,\beta )=f(x)+\sum_{i=1}^{k}\alpha _{i}c_{i}(x)+\sum_{j=1}^{l}\beta _{i}h_{j}(x)$