导数复习
1 课程概览
本课复习机器学习中常用的数学概念，包括标量、向量、矩阵、张量的定义和Python对应类型，以及导数的基本概念、求导规则和四则运算。重点讲解导数在机器学习中的应用（如求极值、梯度下降），并给出常见函数的求导公式和四则运算规则。
2 核心概念与定义
- 标量（Scalar）：独立的一个数，没有大小和方向。
- 向量（Vector）：一列顺序排列的数据，默认是列向量，有大小和方向。
- 矩阵（Matrix）：二维数组，由多个向量组成。
- 张量（Tensor）：基于向量和矩阵的推广，三维及以上数组。
- 导数（Derivative）：函数在某点的瞬时变化率，也叫导函数值、微商。
- 德尔塔（Δ）：表示增量，如ΔX表示X的增量。
3 算法与模型详解
3.1 数据类型对照表
| 数学概念 | Python对应 | 维度 | 示例 |
|---|---|---|---|
| 标量 | 变量 | 0维 | a = 10 |
| 向量 | Series | 1维 | [1, 2, 3] |
| 矩阵 | DataFrame | 2维 | 2行3列 |
| 张量 | ndarray | N维 | reshape(2,3,4) |
3.2 导数概念
定义：当函数Y=F(X)的自变量X在点X0上产生增量ΔX，输出值增量ΔY与ΔX的比值，当ΔX无限趋向于0时的极限值，即为导数。
表示：F'(X0)
应用：
- 物理：加速度
- 几何：切线斜率
- 数学：瞬时变化率、曲线变化率
3.3 常见函数求导公式
| 函数类型 | 原函数 | 导数 |
|---|---|---|
| 常数函数 | C | 0 |
| 幂函数 | X^a | a·X^(a-1) |
| 指数函数 | a^x | a^x · ln(a) |
| 自然指数 | e^x | e^x |
| 对数函数 | log_a(X) | X · (1/ln(a)) |
| 自然对数 | ln(X) | 1/X |
| 正弦函数 | sin(X) | cos(X) |
| 余弦函数 | cos(X) | -sin(X) |
3.4 导数四则运算
| 运算 | 公式 |
|---|---|
| 加减法 | (A ± B)' = A' ± B' |
| 乘法 | (A·B)' = A'·B + A·B' |
| 除法 | (A/B)' = (A'·B - A·B') / B² |
| 复合函数 | F(g(x))' = F'(g(x)) · g'(x) |
3.5 复合函数求导
规则：由外向内，先求外部函数导数，再乘以内部函数导数。
示例： $$f(x) = e^{2x}$$
$$f'(x) = e^{2x} \cdot (2x)' = e^{2x} \cdot 2 = 2e^{2x}$$
3.6 求导示例
示例1：$Y = X^3$ $$Y' = 3X^{3-1} = 3X^2$$
示例2：$Y = 20K^2$ $$Y' = 2 \cdot 20 \cdot K^{2-1} = 40K$$
示例3：$Y = e^x + 4\ln(X)$ $$Y' = e^x + \frac{4}{X}$$
4 数学原理与推导
4.1 导数定义
$$F'(X_0) = \lim_{\Delta X \to 0} \frac{\Delta Y}{\Delta X} = \lim_{\Delta X \to 0} \frac{F(X_0 + \Delta X) - F(X_0)}{\Delta X}$$
4.2 幂函数求导
$$\frac{d}{dx} X^a = a \cdot X^{a-1}$$
4.3 乘法求导
$$\frac{d}{dx}(A \cdot B) = A' \cdot B + A \cdot B'$$
5 代码示例
本课为数学复习，无代码示例。
NumPy张量示例：
import numpy as np
# 创建张量（2个3行4列的矩阵）
tensor = np.array([
[[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]],
[[13, 14, 15, 16],
[17, 18, 19, 20],
[21, 22, 23, 24]]
])
print("张量形状：", tensor.shape) # (2, 3, 4)
6 重难点与易错提醒
- ❗重点：标量、向量、矩阵、张量分别对应Python的变量、Series、DataFrame、ndarray。
- ❗重点：常见函数的求导公式（幂函数、指数函数、对数函数等）。
- ❗重点：导数四则运算规则（加减乘除、复合函数）。
- ⚠️易错：cos(X)的导数是-sin(X)，容易忘记负号。
- ⚠️易错：乘法求导是A'B + AB'，不是A'B'。
- ⚠️易错：除法求导分母要平方。
- 💡深入理解：导数用于求极值，是梯度下降的基础。
7 课堂问答精选
Q: 标量、向量、矩阵、张量分别对应Python中的什么类型？
A:
- 标量：变量（如 a = 10）
- 向量：pandas的Series（一列数据）
- 矩阵：pandas的DataFrame（二维数据）
- 张量：NumPy的ndarray（N维数组）
Q: 复合函数如何求导？
A: 复合函数求导规则是"由外向内"：先求外部函数的导数，再乘以内部函数的导数。例如 $f(x) = e^{2x}$，先求 $e^{2x}$ 的导数（本身），再乘以 $2x$ 的导数（2），结果为 $2e^{2x}$。
8 本课小结
- 数据类型：标量（变量）、向量（Series）、矩阵（DataFrame）、张量（ndarray）。
- 导数概念：函数在某点的瞬时变化率。
- 求导公式：幂函数、指数函数、对数函数、三角函数等。
- 四则运算：加减法分开求导，乘法用A'B+AB'，除法用(A'B-AB')/B²。
- 复合函数：由外向内求导。
9 延伸思考与实践
- 复习：常见函数的求导公式。
- 预习：偏导数的概念和计算。
- 思考：导数在机器学习中的作用（求极值、梯度下降）。