machine-learning-notes
  • 封面
  • 目录
  • 前言
  • 个人前言
  • 机器学习前言
    • 什么是机器学习和模式识别
    • 机器学习的应用
    • 机器学习的流程
    • 不同的机器学习算法对相同数据预测效果不同
    • 快速入门机器学习
    • 机器学习需要参考哪些书
    • 机器学习的学习路径
    • 深度学习的学习路径
    • 互联网机器学习特定岗位所需技能
  • 机器学习面试
  • 数学基础
  • 微积分
    • 泰勒展开
    • e的直观认识
    • 傅里叶变换
    • 希尔伯特空间
  • 线性代数
    • 范数
    • 矩阵求导
    • 特征值
    • 奇异值分解
  • 概率与信息论
    • 综述概率论基本定义
    • 概率论与贝叶斯先验
    • 正态分布
    • 贝叶斯概率
    • 概率符号说明
    • 共轭先验
    • 信息论
  • 数值计算与优化
    • 最小二乘法
    • 等式约束的拉格朗日乘子法
    • 凸优化
      • 凸集和凸函数
      • 凸优化问题
  • 梯度下降算法
    • 随机梯度下降SGD
    • 动量法Momentum
    • 牛顿动量Nesterov
    • AdaGrad
    • RMSprop
    • Adadelta
    • Adam
    • Nadam
    • AMSGrad
    • AdasMax
  • 概率图模型
    • 概率图模型概论
    • 概率图简介
  • 编程基础
  • linux
    • linux常用命令
    • shell
      • 输入输出重定向
  • python
    • python简介
    • python语法
      • 基础语法
      • 数据结构
      • 过程控制
      • 函数
      • 类和对象
      • 文件操作
      • 正则表达式
    • python库
      • numpy
      • pandas
      • scipy
      • matplotlib
      • scikit-learn
    • python应用
      • 排序算法
  • 数据结构与算法
    • 数据结构
    • 算法思想
      • 排序
        • 堆排序
        • 归并排序
        • 快速排序
      • 递归
    • 剑指offer
      • 链表
      • 二叉树
      • 数组
      • 字符串
      • 栈和队列
      • 递归
      • 动态规划
      • 其他
    • leetcode
    • 编程语言
      • c++
  • Hadoop
    • Hadoop简介
    • MapReduce
  • Hive
  • Spark
  • TensorFlow
    • TensorFlow1.0
      • TensorFlow基础
      • TensorFlow基础概念解析
      • TensorFlow机器学习基础
      • Tensorflow分布式架构
    • TensorFlow2.0
  • PyTorch
  • 机器学习
  • 机器学习概论
  • 特征工程
  • 感知机
  • k近邻
  • 朴素贝叶斯
  • 线性模型
    • 最大熵模型
    • 指数族分布与广义线性模型
    • 线性回归
      • Ridge回归(岭回归)
      • Lasso回归
    • Logistic回归-对数几率回归
  • 决策树
  • 支持向量机
    • 线性可分支持向量机与硬间隔最大化
    • 线性支持向量机与软间隔最大化
    • 非线性支持向量机与核函数
    • 序列最小最优化算法SMO
    • SVM总结
  • 集成学习
    • Bagging
      • 随机森林
    • Boosting
      • AdaBoost
      • GradientBoosting
        • GBDT
        • XGBoost
          • XGBoost理论
          • XGBoost实践
    • Stacking
  • 降维
    • PCA主成分分析
    • 流形学习
  • EM算法
  • HMM隐马尔科夫模型
  • CRF条件随机场
  • 聚类
    • k均值聚类
    • 高斯混合模型
  • 主题模型
    • LDA隐狄利克雷分布
  • 知识点
    • 损失函数
    • 负采样
  • 机器学习算法总结
  • 深度学习
  • 深度学习概论
  • ANN人工神经网络
  • 知识点
    • Batch Normalization
  • CNN卷积神经网络
  • 深度学习优化算法
  • RNN循环神经网络
  • LSTM长短期记忆网络
  • GRU门控循环单元
  • GNN图神经网络
    • GNN图神经网络综述
    • GCN图卷积网络
      • GCN图卷积网络初步理解
      • GCN图卷积网络的numpy简单实现
      • GCN图卷积网络本质理解
      • GCN图卷积网络全面理解
      • SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS ICLR2017
  • 神经网络架构搜索
    • Weight-Agnostic-Neural-Networks Google2019
  • 强化学习
  • 强化学习概论
  • 马尔科夫决策过程
  • 动态规划
  • 无模型方法一:蒙特卡洛
  • 无模型方法二:时间差分
  • 无模型方法三:多步自举
  • 函数近似和深度网络
  • 策略梯度算法
  • 深度强化学习
  • 基于模型的强化学习
  • 强化学习前景
  • 自然语言处理
  • 自然语言处理概论
  • 自然语言
  • 语言模型和中文分词
  • word2vec
    • word2vec概述
    • word2vec算法原理
    • word2vec源码分析
    • word2vec实践
  • Seq2Seq模型和Attention机制
  • Self-Attention和Transformer
  • 知识图谱
  • 推荐系统
  • 推荐系统概论
  • 基础知识
  • 进阶知识
    • 机器学习
      • Factorization Machines ICDM2010
    • embedding
      • Network Embedding
        • LINE: Large-scale Information Network Embedding
    • 深度学习
      • DeepFM: A Factorization-Machine based Neural Network for CTR Prediction 2017
      • DSSM: Learning Deep Structured Semantic Models for Web Search using Clickthrough Data CIKM2013
    • 图卷积网络
      • Graph Convolutional Neural Networks for Web-Scale Recommender Systems KDD2018
    • 强化学习
      • DRN基于深度强化学习的新闻推荐模型
  • 业界应用
    • YouTube
      • Deep Neural Networks for YouTube Recommendations RecSys2016
    • Alibaba
      • Learning Tree-based Deep Model for Recommender Systems KDD2018
      • Deep Interest Network for Click-Through Rate Prediction KDD2018
      • DSIN:Deep Session Interest Network for Click-Through Rate Prediction IJCAI2019
Powered by GitBook
On this page
  • 希尔伯特空间
  • 参考资料

Was this helpful?

  1. 微积分

希尔伯特空间

Previous傅里叶变换Next线性代数

Last updated 5 years ago

Was this helpful?

希尔伯特空间

这里讲希尔伯特空间,是因为机器学习的支持向量机SVM需要用到。

大家一听希尔伯特空间,头肯定就大了,都对数学有一种恐惧。

其实,这就是国内数学老师的一种通病,就是,不给你把概念的来源去脉说清楚,直接上来就讲公式,你说,这样除了天才,谁还能听懂。。

这样讲的原因,我分析了一下,主要有两个原因:

  • 老师自己也没搞懂,就只好照着书上念了。

  • 自己搞懂了,

    • 但是因为本质太简单,其实一句话就能说清楚的事,他就不说,生怕你一下子就理解了,显得自己教的东西没水平,怕让学生觉得自己很lowB。

    • 还有就是自己当年也是辛辛苦苦参悟出来的,现在不愿意把自己的理解给你说出来,想让你也经历一次这样的痛苦,不然就显得自己当时吃的苦没有意义。

其实,数学就是数据加结构,也就是C++中类的概念,这个类中的操作一般可以在这个类定义的数据中完成。

关于希尔伯特空间,我们从最基本的数学概念说起,然后一步步严格化和规则化,得到希尔伯特空间。

  1. 最基本的数学概念,就是集合论和公理化

  2. 集合稍微规则化一些,就得到了拓扑空间,拓扑空间还没有定义距离,只要在集合内就好了,所以,拓扑空间是弱化了的距离

  3. 然后加上“距离”的规则限制,就得到了度量空间,什么是距离呢?这是个很有意思的问题。。

  4. 给度量空间加上范数的限制,就得到了赋范空间

  5. 赋范空间使用线性结构(给定基坐标),就得到了线性赋范空间

  6. 线性赋范空间加上内积的概念,就得到了内积空间。什么是内积呢?就是夹角啊。。。内积的本质,就是相似度

  7. 给内积空间加上完备性限制,就是希尔伯特空间。什么是完备性,就是你在这个空间跑啊跑啊,但是总也跑不出,就是极限运算也跑不出这个空间的度量范围。

  8. 延伸一下,希尔伯特空间拓展到无穷维,就是泛函分析。什么是无穷维,傅里叶变换学过吗?它的函数基就是无穷维呀。

  9. 最后再从集合论讲述下另一个分支,最后这两大分支可以合二为一:由集合论和公理化可以得到测度的概念。测度加上黎曼积分,就成了勒贝格积分,勒贝格积分就是实变函数,实变函数用于泛函分析。你看,这样子,两条主线就合二为一了。嘿嘿

所以,我很鄙视那些讲课故意只讲概念的数学老师!明明这么简单的概念,他就是故意不给你讲清楚本质,然后在表面的概念上绕老绕去,故意让学生不理解,显得自己很牛逼,这样其实太LowB!

学过傅立叶展开吗?傅立叶展开是以三角函数为基矢。希尔伯特空间类似,以一个相互正交的函数组为基矢的空间。那么函数就成了这个空间的矢量。函数可以展开为基矢的线性叠加,基矢的系数就相当于矢量的各个分量。

下面用一张图来说明希尔伯特空间是怎么一步步由最基本的集合加上各种规则得到的。什么是函数空间,什么是希尔伯特空间,简单清楚:

参考资料

文中的图就来自于次公开课中的讲述内容。

文中对希尔伯特空间的理解来自于此。

函数空间-上海交通大学公开课:数学之旅
如何理解希尔伯特空间?
返回上层目录
function-space
返回顶层目录