Introduktion til Differentialregning
En afledt funktion er et mål for, hvordan en funktion ændrer sig, når dens input ændres. Den repræsenterer ændringshastigheden for funktionen og er grundlæggende i analysen af tendenser, optimering af processer og forudsigelse af adfærd inden for områder som fysik, økonomi og maskinlæring.
Grænseværdidefinitionen af en afledt funktion
Den afledte af en funktion f(x) i et specifikt punkt x=a er givet ved:
h→0limhf(x+h)−f(x)Denne formel angiver, hvor meget f(x) ændrer sig, når vi tager et meget lille skridt h langs x-aksen. Jo mindre h bliver, desto tættere kommer vi på den øjeblikkelige ændringshastighed.
Grundlæggende regler for differentiation
Potensreglen
Hvis en funktion er en potens af x, følger den afledte:
dxdxn=nxn−1Dette betyder, at når vi differentierer, flytter vi eksponenten ned og reducerer den med én:
dxdx3=3x2Konstantreglen
Afledte af en hvilken som helst konstant er nul:
dxdC=0For eksempel, hvis f(x)=5, så:
dxd5=0Sum- og Differensreglen
Den afledte af en sum eller differens af funktioner følger:
dxd[f(x)±g(x)]=f′(x)±g′(x)For eksempel, differentieret separat:
dxd(x3+2x)=3x2+2Produkt- og Kvotientregler
Produktreglen
Hvis to funktioner multipliceres, findes den afledte således:
dxd[f(x)g(x)]=f′(x)g(x)+f(x)g′(x)Dette betyder, at vi differentierer hver funktion separat og derefter summerer deres produkter. Hvis f(x)=x2 og g(x)=ex, så:
dxd[x2ex]=2xex+x3exKvotientreglen
Ved division af funktioner anvendes:
dxd[g(x)f(x)]=g(x)2f′(x)g(x)−f(x)g′(x)Hvis f(x)=x2 og g(x)=x+1, så:
dxd[x+1x2]=(x+1)22x(x+1)−x2(1)Kædereglen: Differentiering af sammensatte funktioner
Ved differentiering af indlejrede funktioner anvendes:
dxdf(g(x))=f′(g(x))⋅g′(x)For eksempel, hvis y=(3x+2)5, så:
dxd(3x+2)5=5(3x+2)4⋅3=15(3x+2)4Denne regel er essentiel i neurale netværk og maskinlæringsalgoritmer.
Eksempel på kædereglen med eksponentialfunktion:
Ved differentiering af udtryk som:
y=e2x2Her arbejdes der med en sammensat funktion:
- Ydre funktion: eu
- Indre funktion: u=2x2
Anvend kædereglen trin for trin:
dxd2x2=4xMultiplicer derefter med den oprindelige eksponentialfunktion:
dxd(e2x2)=4x⋅e2x2Inden for maskinlæring og neurale netværk optræder dette, når man arbejder med eksponentielle aktiveringsfunktioner eller tabfunktioner.
Eksempel på logaritmisk kædereglen:
Lad os differentiere ln(2x). Igen er det en sammensat funktion — logaritme yderst, lineær inderst.
Differentier den indre del:
dxd(2x)=2Anvend nu kædereglen på logaritmen:
dxdln(2x)=2x1⋅2Dette forenkles til:
dxdln(2x)=2x2=x1Selv hvis du differentierer ln(kx), er resultatet altid x1, fordi konstanterne udligner hinanden.
Særligt tilfælde: Afledt af sigmoidfunktionen
Sigmoidfunktionen anvendes ofte i maskinlæring:
σ(x)=1+x−x1Dens afledte spiller en central rolle i optimering:
σ′(x)=σ(x)(1−σ(x))Hvis f(x)=1+e−x1, så gælder:
f′(x)=(1+e−x)2e−xDenne formel sikrer, at gradienterne forbliver glatte under træning.
Tak for dine kommentarer!
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
Can you explain the limit definition of a derivative with a simple example?
How do the product, quotient, and chain rules differ in practice?
Can you show how to find the derivative of a more complex function using these rules?
Awesome!
Completion rate improved to 1.96
Introduktion til Differentialregning
Stryg for at vise menuen
En afledt funktion er et mål for, hvordan en funktion ændrer sig, når dens input ændres. Den repræsenterer ændringshastigheden for funktionen og er grundlæggende i analysen af tendenser, optimering af processer og forudsigelse af adfærd inden for områder som fysik, økonomi og maskinlæring.
Grænseværdidefinitionen af en afledt funktion
Den afledte af en funktion f(x) i et specifikt punkt x=a er givet ved:
h→0limhf(x+h)−f(x)Denne formel angiver, hvor meget f(x) ændrer sig, når vi tager et meget lille skridt h langs x-aksen. Jo mindre h bliver, desto tættere kommer vi på den øjeblikkelige ændringshastighed.
Grundlæggende regler for differentiation
Potensreglen
Hvis en funktion er en potens af x, følger den afledte:
dxdxn=nxn−1Dette betyder, at når vi differentierer, flytter vi eksponenten ned og reducerer den med én:
dxdx3=3x2Konstantreglen
Afledte af en hvilken som helst konstant er nul:
dxdC=0For eksempel, hvis f(x)=5, så:
dxd5=0Sum- og Differensreglen
Den afledte af en sum eller differens af funktioner følger:
dxd[f(x)±g(x)]=f′(x)±g′(x)For eksempel, differentieret separat:
dxd(x3+2x)=3x2+2Produkt- og Kvotientregler
Produktreglen
Hvis to funktioner multipliceres, findes den afledte således:
dxd[f(x)g(x)]=f′(x)g(x)+f(x)g′(x)Dette betyder, at vi differentierer hver funktion separat og derefter summerer deres produkter. Hvis f(x)=x2 og g(x)=ex, så:
dxd[x2ex]=2xex+x3exKvotientreglen
Ved division af funktioner anvendes:
dxd[g(x)f(x)]=g(x)2f′(x)g(x)−f(x)g′(x)Hvis f(x)=x2 og g(x)=x+1, så:
dxd[x+1x2]=(x+1)22x(x+1)−x2(1)Kædereglen: Differentiering af sammensatte funktioner
Ved differentiering af indlejrede funktioner anvendes:
dxdf(g(x))=f′(g(x))⋅g′(x)For eksempel, hvis y=(3x+2)5, så:
dxd(3x+2)5=5(3x+2)4⋅3=15(3x+2)4Denne regel er essentiel i neurale netværk og maskinlæringsalgoritmer.
Eksempel på kædereglen med eksponentialfunktion:
Ved differentiering af udtryk som:
y=e2x2Her arbejdes der med en sammensat funktion:
- Ydre funktion: eu
- Indre funktion: u=2x2
Anvend kædereglen trin for trin:
dxd2x2=4xMultiplicer derefter med den oprindelige eksponentialfunktion:
dxd(e2x2)=4x⋅e2x2Inden for maskinlæring og neurale netværk optræder dette, når man arbejder med eksponentielle aktiveringsfunktioner eller tabfunktioner.
Eksempel på logaritmisk kædereglen:
Lad os differentiere ln(2x). Igen er det en sammensat funktion — logaritme yderst, lineær inderst.
Differentier den indre del:
dxd(2x)=2Anvend nu kædereglen på logaritmen:
dxdln(2x)=2x1⋅2Dette forenkles til:
dxdln(2x)=2x2=x1Selv hvis du differentierer ln(kx), er resultatet altid x1, fordi konstanterne udligner hinanden.
Særligt tilfælde: Afledt af sigmoidfunktionen
Sigmoidfunktionen anvendes ofte i maskinlæring:
σ(x)=1+x−x1Dens afledte spiller en central rolle i optimering:
σ′(x)=σ(x)(1−σ(x))Hvis f(x)=1+e−x1, så gælder:
f′(x)=(1+e−x)2e−xDenne formel sikrer, at gradienterne forbliver glatte under træning.
Tak for dine kommentarer!