一、第一中值定理
如果函数f(x)在闭区间[a，b]上
连续
，则在积分区间[a，b]上
至少
存在一个点$\xi $，使得$\int_{a}^{b}f(x)dx=f(\xi )(b-a).(a\leqslant \xi \leqslant b)$
二、微积分基本定理
积分上限函数：
函数f(x)在区间[a，b]上连续，对于定积分$\int_{a}^{x}f(x)dx$每一个取值的x都有一个对应的定积分值。记作：$\Phi (x)=\int_{a}^{x}f(t)dt$
定理2（原函数存在定理）：
三、牛顿—莱布尼兹公式
牛顿-莱布尼兹公式（Newton-Leibniz formula），通常也被称为微积分基本公式，它揭示了
定积分
与被积函数的
原函数
或者不定积分之间的联系。
如果F(x)是连续函数f(x)在区间[a，b]上的一个原函数，则：$\int_{a}^{b}f(x)dx=F(b)-F(a)$
解释：
一个连续函数在区间[a，b]上的定积分等于它的任意一个原函数在区间[a，b]上的增量
几何解释：
可得：$f(b)-f(a)=\sum dy$，由于$dy={f}'(x)dx$，所以 $f(b)-f(a)=\sum f'(x)dx=\int_{a}^{b}f'(x)dx$
例题：求解$\int_{0}^{\frac{\pi }{2}}(2\cos x+\sin x-1)dx$
定理3（微积分基本公式）
：
有$f(x)\in C[a,b]$，且$F'(x)=f(x)$
例题：
计算由曲线y
2
=2x和直线y=x-4所围成的图形的面积
四、泰勒公式
简单来讲就是用一个多项式函数去
无限逼近
一个给定的函数(即尽量使多项式函数图像拟合给定的函数图像，
如sin x，cos x等函数值的近似计算
)，注意，逼近的时候一定是从函数图像上的
某个点
展开。如果一个非常复杂函数，想求其某点的值，直接求无法实现，这时候可以
使用泰勒公式去近似的求该
值，这是泰勒公式的应用之一。泰勒公式在机器学习中主要应用于梯度迭代。
首先回忆微分
若$f'(x_{0})$存在，在$x_{0}$附近有$f(x_{0}+\Delta x)-f(x_{0})\approx f'(x_{0})\Delta x$。
由于$\Delta x=x-x_{0}$，可以得到$f(x)=f(x_{0})+f'(x_{0})(x-x_{0})+o(x-x_{0})$，
近似可得$f(x)\approx f(x_{0})+f'(x_{0})(x-x_{0})$。
接着再来引出泰勒公式，如果说我们想要以
直线来近似的代替一个曲线
，如下图所示
只用一阶导数看起来有点不准呀，如上图所示，能不能在利用一些呢？答案肯定是可以的，一阶导数只帮我们定位了下一个点是上升还是下降，然后对之后的趋势就很难把控了。
那如何定位的更准确一些呢？如果我们再把
二阶导数
利用上呢？
我们可以发现，这样的方式存在
精确度不够高，误差不能估计
等不足之处。所以，主要的问题就是寻找函数P(x)，使得
f(x)≈P(x)
，从而使得误差R(x)=f(x)-P(x)可估计。
分析：
如果说要f(x)≈P(x)，且近似程度要好，P
n
(x)应该满足什么条件？
由上图就可以引出泰勒公式了
$P_{n}(x)=f(x_{0})+f'(x_{0})(x-x_{0})+\frac{f''(x_{0})}{2!}(x-x_{0})^{2}+\cdots +\frac{f^{(n)}(x_{0})}{n!}(x-x_{0})^{n}$称为f(x)在点x
0
关于(x-x
0
)的
n阶泰勒多项式
，这个式子只能说是得到的值能够无限的逼近真正的函数值，但是其中还存在一个
误差项R(x)
，也就是说f(x)=R(x)+P(x)，这里的误差项称为
余项
。对于一般的机器学习、深度学习来说，余项本身也用不上在加上其比较复杂，所以在这里就不作解释了。
五、泰勒公式详细解释
多项式逼近如下图所示
公式里面的
阶数
是什么意思呢？
阶数越高增长速度越快。观察可发现，越高次项在越偏右侧影响越大。对于一个复杂函数，给我们的感觉是在当前点，低阶项能更好的描述当前点附近，对于之后的走势就越来越依靠高阶的了。
公式里面的
阶乘
是什么意思呢？
如果把9次的和2次的直接放在一起，那2次的就直接不用玩了呀，它们之间的差距太大了。但是在开始的时候应该是2次的效果更好，之后才是慢慢轮到9次的。
有了阶乘(!)之后，就帮助我们解决了这样的问题
如下图所示，使用不同阶的多项式函数来逼近$y=\sin x$函数
可以看到，阶数越高的函数越能拟合$y=\sin x$函数。
本文来自博客园，作者：
|旧市拾荒|
，转载请注明原文链接：
https://www.cnblogs.com/xiaoyh/p/12064509.html
