@[TOC](2.25机器学习数学基础笔记之二)
1. 凸函数的判定（开口往上凸函数 开口往下凹函数）
连线上的一点的期望比期望的值大
（期望差不多是平均值）
xy函数值大于函数值的平均值
2. 绝大多数不等式的起源都是这个不等式
3. 只要是凸函数或者凹函数就能够用凸优化
4. 条件概率公式和全概率公式
5. 常见概率分布
6. 泊松分布比较像电商的商品，因为商品某一价格区间的商品比较多
7. 正态分布哪里都有，误差基本上就是正态分布，身高是正态分布
8. 概率和统计的关注点不同
9. 知道条件推断总体情况：概率
10. 数理统计 知道分布但是不知道均值方差
概率统计和机器学习是天然地相关，如果抽样都不对，算法肯定构造地不对，进而出错。
今天上计算几何，说道人工智能是在 L 空间上考虑问题，为这个空间选取合适的基函数，进而考虑问题会简单许多
13. 
14. 可以大致看出分布
15. 统计估计的是分布，机器学习训练出来的是模型，模型可能包含了很多分布![在这里插入图片描述]
)
16. 误差衍生出不同的损失函数定义方式（面试题）
17. 协方差可以写成期望
18.
19. 协方差一般用于选择特征，协方差近似于1时特征比较好，但是协方差近似于0时可以将该特征丢掉
20. 相关系数是特征去特征化后的向量的夹角，cos是1当然相关系数是1，也就是线性关系
21. cos是0当然相关系数是0那就是垂直，两个向量完全没有关系
22.
r=cov(X,Y)/sqrt(Var(X)*Var(y))
23. 向量a与b的内积实际上是a在b上的投影
24.
25. 去均值化是很好的预处理方法
26. 为什么协方差是内积
求x和y的协方差就是去均值化，每个值减去期望，减完之后做内积，那就是几何意义
1：37：54