微积分是所有学问的基础

机器学习算法与Python实战

共 1756字,需浏览 4分钟

 ·

2023-10-11 09:13

4430781db712bf9101d93f72dd70e4b0.webp

好奇心能在正规教育中幸存下来,简直是一种奇迹。

——阿尔伯特·爱因斯坦

不少人会误解“世界中尽是可微函数”。有时在微积分的书里 也可以看到这样的表述。

例如,“股价变动的图像可以微分,所以就可以知道未来股价 的上下浮动”,如果你读到这样的表述,千万不可相信。

一般讨论股价会使用概率建立模型。最简单的是使用随机摆动 的点,即假设股价是随机摆动的。

根据详细的研究可知,这种点的轨迹在任何时候都是锯齿状的 (不可微),和刚才的魏尔斯特拉斯函数相似。即,可以证明在点的 随机摆动轨迹中,几乎所有的点处都没有切线。股价变动并不是可 以用普通微分去预测的温顺之物。在和概率现象纠缠不休的函数 中,会频繁出现不可微函数。

c89c225d861cda2c2d8f2b79aece1afd.webp

图 126 是日经平均股价的图像。锯齿状的线是实际股价,在顺 的线中,13 周移动平均线是平均了 13 周的股价,26 周移动平均 线同样是平均了过去 26 周的股价。在《股价可以预测》这本书中, 恐怕把这条“移动平均线”类的东西作为研究图像了。

移动平均线是低通滤波器(Low Pass Filter)的一种,会移除 齿状的部分(高频率),只让顺滑的部分(低频率)通过。以声 音为例,孩子的声音多是高频率,大叔的声音多是低频率。所以, 如果让孩子的声音通过低通滤波器(Low Pass Filter),孩子的声音 就会变得像大叔的声音。

在了解股价“大致波动”的时候,因为锯齿状的部分很碍事, 所以应该使用移动平均线。

但是,原本的股价“本质上”就是锯齿状的(图 126 的实线)。 想要微分这种任何地方都不可微分的内容,不得不说是错误的。

但是,要说股价预测和微积分完全没有关系的话,也并非如 此。这种概率模型叫作随机微分方程,使用某种微积分是可以进行 解析的。

虽说如此,但这和通常的微积分相当不一样,是一门独特的数 学。当然 ,即使使用随机微分方程式,也无法去预测股价。

微积分的应用虽然不具有预测股价这类功能,但是微积分在现 实社会中的作用巨大。可以说 微积分是所有学问的基础 反而很 难具体说“微积分在这里起作用”,就像空气和水一样。

微积分的本质在于近似与忽略。 近似指的是忽略一些东西,只给出大概的答案。

即使是复杂的形状,也可以将其视为简单长方形的组合(积分),函数在局部可以视为切线或者抛物线(微分),这个思考角度才是微积分的要领。

重要的是不要在意细节。 不在 意细小的部分,“用直线段近似 函数图像”就可以搞清楚容积最大的冰激凌蛋卷筒是什么形状,也 可以“把曲线看作折线的组合”来计算悬链线的长度。虽然整体计 算很难,但分成较小的部分就会变成简单的累加。这就是微积分厉 害之处。

实际上,这种思想并不仅限于微积分,可以说整个数学都是这 样的。微积分则是了解该方法有效性的最好素材。

实际上,我们居住的现实世界中,近似可以说是无处不在。比 如,不存在无限小的东西(无法 比基本粒子更小),宇宙也并非无 限广阔。

但是,在实际的微积分中,要考虑无限小的量,或者无限大的 空间,这是近似。忽略基本粒子的大小,搁置宇宙的边界限制,这 种想法或许与事实相悖,但是这种方法给我们带来的恩惠却不可 估量。

无须背诵公式、烦琐计算,仅用“阅读”理解微积 分原理 

丰富图解、亲切解说,传授微积分入门的“巧妙思路”

    

72张PNG,图解机器学习

      
        

PyTorch从入门到项目实践

          

PyTorch那些事儿(二):PyTorch建模示例

PyTorch那些事儿(十三):深度学习模型训练过程

PyTorch那些事儿(十四):深度学习训练过程可视化

PyTorch那些事儿(十九):深度学习实战项目——垃圾分类

可能是全网最全的速查表:Python机器学习ChatGPT线性代数微积分概率统计


浏览 22
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报