在数学建模、统计建模等竞赛及本科数学/概率/机器学习学习中，常要写一些公式神马的，这时候如果能够使用 LaTeX 语法在 Markdown 中书写数学公式，然后用pandoc导出word文档，或者用在线平台导出，就比所见即所得编辑器（比如Word或WPS）上面的公式编辑器的体验要好很多，尤其是效率高，还不容易出错。
建议新手朋友可以试试，从Markdown开始着手，后面逐渐就可以过渡到LaTeX，像是AAAI等等国际会议，都是提供LaTeX模板的，大家以后发顶会顶刊都需要掌握。
具体来说，就是新建一个文本文档，扩展名设置成 .md 格式，就是纯粹文本，然后在里面写下面所示的符号，就可以在 VS Code（安装好插件之后）等软件里面预览了。
一、基础语法速览
| 场景 | Markdown 写法 | 效果 |
|---|---|---|
| 行内公式 | $a^2 + b^2 = c^2$ |
|
| 独立公式 | $$\int_0^\infty e^{-x} dx = 1$$ |
|
| 分数 | \frac{a}{b} |
|
| 上标/下标 | x_i^2 |
|
| 希腊字母 | \alpha, \beta, \mu, \sigma |
二、统计与概率常用公式
1. 期望与方差
- 期望（均值）：
离散
连续 - 方差：
其中
2. 协方差与相关系数
- 协方差：
- 皮尔逊相关系数：
取值范围 ，衡量线性相关程度。
3. 常见分布
- 正态分布（高斯分布）：
- 泊松分布（描述单位时间事件发生次数）：
- 二项分布：
三、数学建模常用公式
1. 线性回归模型
- 简单线性回归：
其中 是误差项，通常假设 - 多元线性回归：
最小二乘解：
2. 微分方程模型（如人口增长）
- Logistic 增长模型：其中 为增长率， 为环境承载力。
3. 优化问题
- 目标函数 + 约束条件（标准形式）：
四、机器学习基础公式
1. 损失函数
- 均方误差（MSE）（回归）：
- 交叉熵损失（分类，二分类）：
2. 梯度下降
- 参数更新规则：其中 是学习率， 是损失函数。
3. 逻辑回归（Logistic Regression）
- Sigmoid 函数：
- 预测概率：
4. K-Means 聚类目标
- 最小化簇内平方和（WCSS）：其中 是第 个簇， 是其质心。
五、本科数学核心公式补充
1. 泰勒展开（近似函数）
- 在 处展开：
2. 拉格朗日乘数法（带约束优化）
- 构造拉格朗日函数：解方程组：
3. 特征值与特征向量
- 定义：若 ，则 是特征值， 是对应特征向量。
六、竞赛实用技巧
- 标准化变量（消除量纲影响）：
- 主成分分析（PCA）核心： 找到数据协方差矩阵 的最大特征值对应的特征向量，作为主方向。
- AHP 层次分析法一致性检验： 计算一致性比率 判定判断矩阵是否合理。 其中
- **灰色预测模型 GM(1,1)**： 一阶微分方程：，用于小样本预测。
七、附录：常用符号表
| 符号 | 含义 |
|---|---|
| 期望 | |
| 方差 | |
| 协方差 | |
| 梯度 | |
| 范数（通常为 L2 范数） | |
| “服从...分布”，如 | |
| 预测值 | |
| 设计矩阵（每行一个样本） |
提示：在比赛中，清晰定义符号、合理引用公式、解释每个参数的实际意义，比堆砌公式更重要，不是公式越多就显得越厉害。
希望同学们在接下来的统计建模、数学建模等竞赛中取得好成绩！🏆
预览时标签不可点
Close
更多
Name cleared
微信扫一扫赞赏作者
Like the AuthorOther Amount
赞赏后展示我的头像
作品
暂无作品
Like the Author
Other Amount
¥
最低赞赏 ¥0
OK
Back
Other Amount
更多
赞赏金额
¥
最低赞赏 ¥0
1
2
3
4
5
6
7
8
9
0
.
二手架构师杂谈 · 目录
二手架构师杂谈
上一篇学术研究支持工具分类与文献获取方法下一篇学术论文中常见研究方法综述及简单举例
Close
更多
搜索「」网络结果
Close
调整当前正文文字大小
更多
100%