神经网络

    什么是神经网络 函数对应的映射关系
    神经网络是如何保证我们能够学习—— 通用近似定理
    一个包含足够多隐含层神经元的多层前馈网络，能以任意精度逼近任意预定的连续函数
    正向计算与反向传播
    梯度下降与优化方法

    学习观

    机器学习的方法对人如何有效学习的启示
    里面介绍了思维导图的强大
    (
    如何学习？
    使用学习方法，而不是记忆方法

    Step1

    1. 明确想要学习的规律是什么？

      1.      举例 学习不定积分方法<br />                    学习假设检验方法<br />                    学习如何求梯度<br />Step 2 <br />        寻找大量不同尽量又具有代表性的例子<br />        举例  搜寻关于不定积分的所有题目 教材课后习题，历年期末真题，竞赛真题，各种教材<br />Step  3 <br />         通过例子总结一套规律<br />举例 下面是我总结的不定积分方法规律<br />![image.png](https://cdn.nlark.com/yuque/0/2021/png/25502199/1638802555126-92ad784f-2d43-4a5d-ae3c-e76424b146ab.png#clientId=u99cc5347-3c84-4&from=paste&id=u20f0aa47&margin=%5Bobject%20Object%5D&name=image.png&originHeight=781&originWidth=1257&originalType=url&ratio=1&size=179832&status=done&style=none&taskId=u08631708-d881-4eca-8809-0360f2aa04e)<br />

    举例 这是我总结的定积分计算方法
    image.png
    Step 4
    测试自己总结的规律是否有效，需要寻找测试集，对每个题调用对应的规律，
    比如第一题（1）就会调用我对有理函数积分的方法，可以分解因式，可以倒带换（2）（3）调用我对高次根号积分的方法——第一步只有换元，再观察函数情况，调用其他规律（4）调用有理三角函数积分的方法，即可以万能代换，可以分子分母同时乘上cosx,进行凑微分

    image.png
    通过做测试集，检验规律，这也就是为什么我们要做题和考试的原因，其目的就是检验我们建构的规律是否有效
    Step 5
    如果有题对应的总结规律，无法解出该题，需要看答案，看看答案的方法，总结新的规律，直到觉得自己对总结的规律满意或者遍历了所有测试集（历年真题），这就是我们常说的总结。