Предел описывает, к чему стремится функция вблизи точки. На этом понятии держатся производная, интеграл и вся теория сходимости алгоритмов.
- 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.
1Определение и смысл
Что значит «стремится к».
- 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.
2Сходимость 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».
Связанные темы
Аппарат анализа · Предельные теоремы
Series and Convergence97%
Ряды и сходимость · Математический анализКогда бесконечная сумма имеет конечное значение и с какой скоростью алгоритм приближается к ответу.
Derivative85%
Производная · Математический анализСкорость изменения функции: предел отношения приращения функции к приращению аргумента. Геометрически — наклон касательной.
Differentiation Rules85%
Правила дифференцирования · Математический анализСумма, произведение, частное и композиция — четыре правила, которых достаточно, чтобы продифференцировать почти любую функцию потерь вручную.
Taylor Series85%
Ряд Тейлора · Математический анализПриближение функции многочленом по производным в точке. Инструмент, которым обосновывают почти все методы оптимизации.
Multivariable Calculus85%
Многомерный анализ · Математический анализФункции многих переменных: частные производные, градиент, производная по направлению и линии уровня.
Jacobian85%
Якобиан · Математический анализМатрица частных производных векторной функции. Описывает, как преобразование растягивает пространство локально.
Lagrange Multipliers85%
Множители Лагранжа · Математический анализМетод условной оптимизации: минимизировать функцию при ограничениях, не решая их подстановкой.
Convexity85%
Выпуклость · Математический анализСвойство функции, гарантирующее единственность минимума и сходимость градиентных методов.
Numerical Differentiation85%
Численное дифференцирование · Математический анализПриближение производной конечными разностями: медленно и неточно, но незаменимо для проверки аналитических градиентов.
Integral85%
Интеграл · Математический анализОпределённый интеграл — площадь под кривой, неопределённый — обратная операция к дифференцированию. В ML интеграл почти всегда означает математическое ожидание.
Differential Equations85%
Дифференциальные уравнения · Математический анализУравнения, связывающие функцию с её производными. Описывают динамику — от роста популяций до обратного процесса в диффузионных моделях.
Calculus85%
Математический анализ · ОсновыПроизводные показывают, как изменится ошибка при малом изменении параметра. Именно это делает возможным градиентное обучение.
Gradient85%
Градиент · Математический справочникВектор частных производных, указывающий направление наибыстрейшего роста функции.
Hessian85%
Гессиан · Математический справочникМатрица вторых производных, описывающая локальную кривизну функции.
Backpropagation85%
Обратное распространение ошибки · Глубокое обучениеЭффективное вычисление градиентов по всем параметрам сети за один обратный проход с помощью правила цепочки.
Law of Large Numbers80%
Закон больших чисел · Теория вероятностей и распределенияСреднее по выборке сходится к математическому ожиданию при росте числа наблюдений.
Central Limit Theorem80%
Центральная предельная теорема · Теория вероятностей и распределенияСумма большого числа независимых слагаемых со сравнимым вкладом распределена приближённо нормально.
Heavy Tails80%
Тяжёлые хвосты · Теория вероятностей и распределенияРаспределения, у которых экстремальные значения не являются пренебрежимо редкими. Именно они ломают привычные оценки и метрики.
Confidence intervals80%
Доверительные интервалы · Оценка моделейПоказывают точность оценки метрики; одно число без интервала мало о чём говорит.
Bootstrap80%
Бутстрэп · Оценка моделейМногократная выборка с возвращением: даёт распределение метрики и доверительные интервалы без предположений о нормальности.
Statistics80%
Статистика · ОсновыКак от выборки перейти к выводам о генеральной совокупности: оценки, доверительные интервалы и проверка гипотез.