原函数

我的理解： 正交多项式可以理解为一组基，类比空间中的一组正交基，你可以通过给该正交基加权的方式得到空间中任意一个点，同理，对正交多项式加权就能得到任意一个n维多项式。 比如泰勒展开，任何函数f(x)都能通过幂级数展开的方式得到一个统一的形式，如展开成 \(f(x) = Ax + Bx^2 +Cx^3+Dx^4…\)，或使用麦克劳林展开、泰勒展开、傅里叶展开，就可以将\((x x^2x^3x^4…)\)理解为一组基，在它们前面加上不同的权值就能拟合不同的函数，如果将这些不同的权值都取出来作为一个有序集合，那么我就可以认为这个几何就能表示在某种展开方式下的其原函数 若将一个图像看作是一个函数f(xy)，其中x，y表示像素点坐标，则该函数也能通过某种展开方式得到一组权值乘以一组基的形式。zernike就想到了一种方法用以展开单位圆内的图像函数，展开之后的这个权值就是zernike矩（前面说了用这个权值其实就可以确定一个f(xy)），这组基就是zernike正交多项式

直线和圆有三种位置关系有相交、相切、相离。判断直线与圆位置关系的方法有2种，代数法、几何法。下面小编整理了一些直线和圆的位置关系的知识点，一起来看看吧

此条目没有列出任何参考或来源。 (2014年10月29日) 维基百科所有的内容都应该可供查证。请协助补充可靠来源以改善这篇条目

Serverless工作流（Serverless Workflow，原函数工作流FnF）于2020年03月10日正式商业化。 为提供更优质的服务，阿里云Serverless工作流（Serverless Workflow，原函数工作流FnF）于2020年03月10日正式商业化售卖。Serverless工作流致力于为您提供更简单、更高效、更低成本的Serverless工作流服务，感谢您对Serverless工作流的支持与帮助

简单来说，函数 在区间 上的定积分 指的是 在区间 中与 轴围成的区域的面积（其中 轴上方的部分为正值， 轴下方的部分为负值）。 很多情况下，我们需要高效，准确地求出一个积分的近似值。下面介绍的 辛普森法，就是这样一种求数值积分的方法

有监督学习(Supervised Learning)：我们有一个数据集，如果对于每一个单一的数据根据它的特征向量我们要去判断它的标签（算法的输出值），那么就是有监督学习。通俗的说，有监督学习就是比无监督学习多了一个可以表达这个数据特质的标签。 有监督学习，分为两个大类： 1.回归分析(Regression Analysis)：回归分析，其数据集是给定一个函数和它的一些坐标点，然后通过回归分析的算法，来估计原函数的模型，求出一个最符合这些已知数据集的函数解析式

名词解释:　任何一种物理现象均会有若干个可以随意变动的物理量，称之为自变数；而另外也有随着这些自变数变动而改变的物理量，称之为因变数。一个因变数可以是许多个自变数的函数。因次理论（学说）是说，任何一个含有这样变数的因次平衡方程式，都可以简化之由一群变数无因次组(dimensionless groups)去表示其函数关系，此亦即是白金汉(1914)定理(Buckingham theorem)