Inleidingen tot Afgeleiden
Een afgeleide is een maat voor hoe een functie verandert wanneer de invoer verandert. Het geeft de mate van verandering van de functie weer en is fundamenteel bij het analyseren van trends, optimaliseren van processen en voorspellen van gedrag in vakgebieden zoals natuurkunde, economie en machine learning.
De limietdefinitie van een afgeleide
De afgeleide van een functie f(x) op een specifiek punt x=a wordt gegeven door:
h→0limhf(x+h)−f(x)Deze formule geeft aan hoeveel f(x) verandert wanneer we een kleine stap h nemen langs de x-as. Hoe kleiner h wordt, hoe dichter we bij de instantane verandering komen.
Basisregels voor afgeleiden
Machtregel
Als een functie een macht van x is, volgt de afgeleide:
dxdxn=nxn−1Dit betekent dat bij het differentiëren de exponent naar beneden wordt gehaald en met één wordt verminderd:
dxdx3=3x2Constante Regel
De afgeleide van een constante is nul:
dxdC=0Bijvoorbeeld, als f(x)=5, dan:
dxd5=0Som- en Verschilregel
De afgeleide van een som of verschil van functies volgt:
dxd[f(x)±g(x)]=f′(x)±g′(x)Bijvoorbeeld, afzonderlijk differentiëren:
dxd(x3+2x)=3x2+2Product- en Quotiëntregels
Productregel
Als twee functies worden vermenigvuldigd, wordt de afgeleide als volgt bepaald:
dxd[f(x)g(x)]=f′(x)g(x)+f(x)g′(x)Dit betekent dat elke functie afzonderlijk wordt gedifferentieerd en vervolgens hun producten worden opgeteld. Als f(x)=x2 en g(x)=ex, dan:
dxd[x2ex]=2xex+x3exQuotiëntregel
Bij het delen van functies, gebruik:
dxd[g(x)f(x)]=g(x)2f′(x)g(x)−f(x)g′(x)Als f(x)=x2 en g(x)=x+1, dan:
dxd[x+1x2]=(x+1)22x(x+1)−x2(1)Kettingregel: Afgeleiden van Samengestelde Functies
Bij het differentiëren van geneste functies, gebruik:
dxdf(g(x))=f′(g(x))⋅g′(x)Bijvoorbeeld, als y=(3x+2)5, dan:
dxd(3x+2)5=5(3x+2)4⋅3=15(3x+2)4Deze regel is essentieel in neurale netwerken en machine learning-algoritmen.
Voorbeeld van de exponentiële kettingregel:
Bij het differentiëren van iets als:
y=e2x2Je hebt te maken met een samengestelde functie:
- Buitenste functie: eu
- Binnenste functie: u=2x2
Pas de kettingregel stap voor stap toe:
dxd2x2=4xVermenigvuldig vervolgens met de oorspronkelijke exponentiële functie:
dxd(e2x2)=4x⋅e2x2In machine learning en neurale netwerken komt dit voor bij het werken met exponentiële activaties of verliesfuncties.
Voorbeeld van de logaritmische kettingregel:
Differentieer ln(2x). Dit is opnieuw een samengestelde functie — logaritme aan de buitenkant, lineair aan de binnenkant.
Differentieer het binnenste gedeelte:
dxd(2x)=2Pas nu de kettingregel toe op de logaritme:
dxdln(2x)=2x1⋅2Dit vereenvoudigt tot:
dxdln(2x)=2x2=x1Zelfs als ln(kx) wordt gedifferentieerd, is het resultaat altijd x1 omdat de constanten wegvallen.
Speciaal Geval: Afgeleide van de Sigmoidfunctie
De sigmoidfunctie wordt vaak gebruikt in machine learning:
σ(x)=1+x−x1De afgeleide hiervan speelt een cruciale rol bij optimalisatie:
σ′(x)=σ(x)(1−σ(x))Als f(x)=1+e−x1, dan geldt:
f′(x)=(1+e−x)2e−xDeze formule zorgt ervoor dat de gradiënten tijdens het trainen vloeiend blijven.
Bedankt voor je feedback!
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
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
Inleidingen tot Afgeleiden
Veeg om het menu te tonen
Een afgeleide is een maat voor hoe een functie verandert wanneer de invoer verandert. Het geeft de mate van verandering van de functie weer en is fundamenteel bij het analyseren van trends, optimaliseren van processen en voorspellen van gedrag in vakgebieden zoals natuurkunde, economie en machine learning.
De limietdefinitie van een afgeleide
De afgeleide van een functie f(x) op een specifiek punt x=a wordt gegeven door:
h→0limhf(x+h)−f(x)Deze formule geeft aan hoeveel f(x) verandert wanneer we een kleine stap h nemen langs de x-as. Hoe kleiner h wordt, hoe dichter we bij de instantane verandering komen.
Basisregels voor afgeleiden
Machtregel
Als een functie een macht van x is, volgt de afgeleide:
dxdxn=nxn−1Dit betekent dat bij het differentiëren de exponent naar beneden wordt gehaald en met één wordt verminderd:
dxdx3=3x2Constante Regel
De afgeleide van een constante is nul:
dxdC=0Bijvoorbeeld, als f(x)=5, dan:
dxd5=0Som- en Verschilregel
De afgeleide van een som of verschil van functies volgt:
dxd[f(x)±g(x)]=f′(x)±g′(x)Bijvoorbeeld, afzonderlijk differentiëren:
dxd(x3+2x)=3x2+2Product- en Quotiëntregels
Productregel
Als twee functies worden vermenigvuldigd, wordt de afgeleide als volgt bepaald:
dxd[f(x)g(x)]=f′(x)g(x)+f(x)g′(x)Dit betekent dat elke functie afzonderlijk wordt gedifferentieerd en vervolgens hun producten worden opgeteld. Als f(x)=x2 en g(x)=ex, dan:
dxd[x2ex]=2xex+x3exQuotiëntregel
Bij het delen van functies, gebruik:
dxd[g(x)f(x)]=g(x)2f′(x)g(x)−f(x)g′(x)Als f(x)=x2 en g(x)=x+1, dan:
dxd[x+1x2]=(x+1)22x(x+1)−x2(1)Kettingregel: Afgeleiden van Samengestelde Functies
Bij het differentiëren van geneste functies, gebruik:
dxdf(g(x))=f′(g(x))⋅g′(x)Bijvoorbeeld, als y=(3x+2)5, dan:
dxd(3x+2)5=5(3x+2)4⋅3=15(3x+2)4Deze regel is essentieel in neurale netwerken en machine learning-algoritmen.
Voorbeeld van de exponentiële kettingregel:
Bij het differentiëren van iets als:
y=e2x2Je hebt te maken met een samengestelde functie:
- Buitenste functie: eu
- Binnenste functie: u=2x2
Pas de kettingregel stap voor stap toe:
dxd2x2=4xVermenigvuldig vervolgens met de oorspronkelijke exponentiële functie:
dxd(e2x2)=4x⋅e2x2In machine learning en neurale netwerken komt dit voor bij het werken met exponentiële activaties of verliesfuncties.
Voorbeeld van de logaritmische kettingregel:
Differentieer ln(2x). Dit is opnieuw een samengestelde functie — logaritme aan de buitenkant, lineair aan de binnenkant.
Differentieer het binnenste gedeelte:
dxd(2x)=2Pas nu de kettingregel toe op de logaritme:
dxdln(2x)=2x1⋅2Dit vereenvoudigt tot:
dxdln(2x)=2x2=x1Zelfs als ln(kx) wordt gedifferentieerd, is het resultaat altijd x1 omdat de constanten wegvallen.
Speciaal Geval: Afgeleide van de Sigmoidfunctie
De sigmoidfunctie wordt vaak gebruikt in machine learning:
σ(x)=1+x−x1De afgeleide hiervan speelt een cruciale rol bij optimalisatie:
σ′(x)=σ(x)(1−σ(x))Als f(x)=1+e−x1, dan geldt:
f′(x)=(1+e−x)2e−xDeze formule zorgt ervoor dat de gradiënten tijdens het trainen vloeiend blijven.
Bedankt voor je feedback!