0. 背景介绍，把人吸引过来
积分中值定理、微分中值定理
泰勒公式
出发点：
用简单的熟悉的多项式来近似代替复杂的函数
易计算函数值，导数与积分仍是多项式
多项式由它的系数完全确定，其系数又由它在一点的函数值及其导数所确定。
阶数
阶乘：削弱高阶项的作用，让他晚一些起作用！
拉格朗日乘子法
求极值，并且带条件
矩阵
矩阵不满足交换律
矩阵的秩： 矩阵中最大不相关向量的个数
行秩 = 列秩
二维 在秩为1的矩阵的作用下，会转换为一条线。
二维，在秩为1的矩阵的作用下，还是保持为二维。
矩阵 做 旋转、拉伸
特征值 特征向量 特征空间
一个矩阵有很多的特征向量，特征提取就是取$\lambda$更大的特征向量
SVD矩阵分解
100W X 10W 稀疏矩阵 = 100W X 10 的矩阵 * 10 X 10W的矩阵
基变换：旋转、伸缩坐标轴
特征值分解
$A = UAU^{-1}$
U 特征向量
A 是对角阵，取最大的几个，他们就是代表。
限制： N*N方阵
$MN = MKKKKN$，其中K << N, 取10%的特征，占据的样本可能会超过99%（因为比较稀疏）
概率函数（概率质量函数）
$p(x) = Prob(X = x)$
概率分布，就是一个表格，表中罗列了随机变量X的所有取值以及其对应的概率。
概率密度函数
频率分布直方图，当分组越来越多，轮廓会变为一条曲线。
简单随机抽样，
抽取的样本满足两点：
（1）样本X1，2…Xn是相互独立的随机变量。
（2）样本X1，X2.Xn与总体X同分布。
概率表达了在给定参数日时X=的可能性；而似然表示的是在给定样本X=时，参数的可能性！
二维随机变量
联合概率分布，2 * 2表格
二维随机变量(X,Y)的分布函数
边缘概率分布
$F_X(x) = P(X \le x) $
中心极限定理
样本的平均值约等于总体的平均值。不管总体是什么分布，任意一个总体
的样本平均值都会围绕在总体的整体平均值周围，并且呈正态分布。
正态分布
二项式分布
做N次实验，成功概率是p， 则成功k次的概率服从以上分布。
泊松分布
泊松分布中使用了这些符号：
·$\lambda$是事件发生的速率；
·t是时间间隔的长度；
·X是该时间间隔内的事件数，其中，X称为泊松随机变量，X的概率分布称为泊松分布。
·令$\mu$表示长度为的间隔中的平均事件数。那么，$\mu=\lambda*t$。
例如说一个医院中，每个病人来看病都是随机并独立的概率，则该医院一天（或者其他特定时间段，一小时，一周等等）接纳的病人总数可以看做是一个服从poisson分布的随机变量。但是为什么可以这样处理呢？通俗定义：假定一个事件在一段时间内随机发生，且符合以下条件：
·（1）将该时间段无限分隔成若干个小的时间段，在这个接近于零的小时间段里，该事件发生一次的概率与这个极小时间段的长度成正比。
·（2）在每一个极小时间段内，该事件发生两次及以上的概率恒等于零。
·（3）该事件在不同的小时间段里，发生与否相互独立。
则该事件称为poisson process。这个第二定义就更加利于大家理解了，回到医院的例子之中，如果我们把一天分成24个小时，或者24x60分钟，或者24x3600
秒。时间分的越短，这个时间段里来病人的概率就越小（比如说医院在正午12点到正午12点又一毫秒之间来病人的概率是不是很接近于零？）。条件一符合。另
外如果我们把时间分的很细很细，是不是同时来两个病人（或者两个以上的病人）就是不可能的事件？即使两个病人同时来，也总有一个人先迈步子跨进医院大
门吧。条件二也符合。倒是条件三的要求比较苛刻。应用到实际例子中就是说病人们来医院的概率必须是相互独立的，如果不是，则不能看作是poisso分布。
均匀分布 uniform distribution
卡方分布
正态分布随机变量Xi的平方和服从卡方分布，有一个自由度参数$\lambda$
