Математический анализ

Limits and Continuity

Пределы и непрерывность

актуальноТекущий рабочий стандарт

Предел описывает, к чему стремится функция вблизи точки. На этом понятии держатся производная, интеграл и вся теория сходимости алгоритмов.

Обозначения
  • аргумент функции — точка, в которой её рассматривают
  • значение, к которому стремится выражение (предел)
  • функция, о которой идёт речь
  • предел: к чему стремится выражение
  • сходимость: выражение слева стремится к тому, что справа

Ключевые тезисы

  • Функция непрерывна в точке, если предел равен значению функции: разрывов и «прыжков» нет.
  • Замечательные пределы дают асимптотику: , .
  • Сходимость итерационного метода — это существование предела последовательности приближений.

Подробный разбор

2 подтем — раскройте любую, чтобы увидеть объяснение, формулы, примеры и интерактивные графики.

1

Определение и смысл

Что значит «стремится к».

Обозначения
  • сколь угодно малая величина из определения предела
  • приращение аргумента
  • аргумент функции — точка, в которой её рассматривают
  • значение, к которому стремится выражение (предел)
  • функция, о которой идёт речь

Формально предел — обещание: какую бы точность вы ни потребовали, найдётся окрестность точки, где функция в неё укладывается. Ровно этот же язык используется для доказательства сходимости оптимизационных методов.

  • Односторонние пределы могут различаться — тогда предела нет (например, у в нуле).
  • Замечательные пределы: , .
  • Правило Лопиталя раскрывает неопределённости и через производные.
2

Сходимость в машинном обучении

Где предел встречается на практике.

  • Сходимость градиентного спуска: последовательность имеет предел .
  • Сходимость по вероятности и по распределению — база закона больших чисел и ЦПТ.
  • Критерий остановки — это всегда приближение предела: «изменение метрики меньше за N шагов».
-6-226100204060wL(w)минимум
шаг обучения η0.20
текущий x1.767
f(x)1.054
градиент-0.467
статусидёт
Наблюдаемая сходимость: значения x образуют последовательность, стремящуюся к минимуму

Связанные темы

Аппарат анализа · Предельные теоремы

Series and Convergence97%

Ряды и сходимость · Математический анализ

Когда бесконечная сумма имеет конечное значение и с какой скоростью алгоритм приближается к ответу.

Derivative85%

Производная · Математический анализ

Скорость изменения функции: предел отношения приращения функции к приращению аргумента. Геометрически — наклон касательной.

Differentiation Rules85%

Правила дифференцирования · Математический анализ

Сумма, произведение, частное и композиция — четыре правила, которых достаточно, чтобы продифференцировать почти любую функцию потерь вручную.

Taylor Series85%

Ряд Тейлора · Математический анализ

Приближение функции многочленом по производным в точке. Инструмент, которым обосновывают почти все методы оптимизации.

Multivariable Calculus85%

Многомерный анализ · Математический анализ

Функции многих переменных: частные производные, градиент, производная по направлению и линии уровня.

Jacobian85%

Якобиан · Математический анализ

Матрица частных производных векторной функции. Описывает, как преобразование растягивает пространство локально.

Lagrange Multipliers85%

Множители Лагранжа · Математический анализ

Метод условной оптимизации: минимизировать функцию при ограничениях, не решая их подстановкой.

Convexity85%

Выпуклость · Математический анализ

Свойство функции, гарантирующее единственность минимума и сходимость градиентных методов.

Numerical Differentiation85%

Численное дифференцирование · Математический анализ

Приближение производной конечными разностями: медленно и неточно, но незаменимо для проверки аналитических градиентов.

Integral85%

Интеграл · Математический анализ

Определённый интеграл — площадь под кривой, неопределённый — обратная операция к дифференцированию. В ML интеграл почти всегда означает математическое ожидание.

Differential Equations85%

Дифференциальные уравнения · Математический анализ

Уравнения, связывающие функцию с её производными. Описывают динамику — от роста популяций до обратного процесса в диффузионных моделях.

Calculus85%

Математический анализ · Основы

Производные показывают, как изменится ошибка при малом изменении параметра. Именно это делает возможным градиентное обучение.

Gradient85%

Градиент · Математический справочник

Вектор частных производных, указывающий направление наибыстрейшего роста функции.

Hessian85%

Гессиан · Математический справочник

Матрица вторых производных, описывающая локальную кривизну функции.

Backpropagation85%

Обратное распространение ошибки · Глубокое обучение

Эффективное вычисление градиентов по всем параметрам сети за один обратный проход с помощью правила цепочки.

Law of Large Numbers80%

Закон больших чисел · Теория вероятностей и распределения

Среднее по выборке сходится к математическому ожиданию при росте числа наблюдений.

Central Limit Theorem80%

Центральная предельная теорема · Теория вероятностей и распределения

Сумма большого числа независимых слагаемых со сравнимым вкладом распределена приближённо нормально.

Heavy Tails80%

Тяжёлые хвосты · Теория вероятностей и распределения

Распределения, у которых экстремальные значения не являются пренебрежимо редкими. Именно они ломают привычные оценки и метрики.

Confidence intervals80%

Доверительные интервалы · Оценка моделей

Показывают точность оценки метрики; одно число без интервала мало о чём говорит.

Bootstrap80%

Бутстрэп · Оценка моделей

Многократная выборка с возвращением: даёт распределение метрики и доверительные интервалы без предположений о нормальности.

Statistics80%

Статистика · Основы

Как от выборки перейти к выводам о генеральной совокупности: оценки, доверительные интервалы и проверка гипотез.