简单来讲就是用一个多项式函数去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),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。
泰勒公式的几何意义是利用多项式函数来逼近原函数,由于多项式函数可以任意次求导,易于计算,且便于求解极值或者判断函数的性质,因此可以通过泰勒公式获取函数的信息,同时,对于这种近似,必须提供误差分析,来提供近似的可靠性。
泰勒公式的发展历史:
1772年,拉格朗日强调了泰勒公式的重要性,称其为微分学基本定理,但是泰勒定理的证明中并没有考虑级数的收敛性,这个工作直到19世纪20年代,才由柯西完成。
泰勒定理开创了有限差分理论,使任何单变量函数都可以展开成幂级数,因此,人们称泰勒为有限差分理论的奠基者。
泰勒公式是数学分析中重要的内容,也是研究函数极限和估计误差等方面不可或缺的数学工具,泰勒公式集中体现了微积分“逼近法”的精髓,在近似计算上有独特的优势。利用泰勒公式可以将非线性问题化为线性问题,且具有很高的精确度。
因此其在微积分的各个方面都有重要的应用。泰勒公式可以应用于求极限、判断函数极值、求高阶导数在某点的数值、判断广义积分收敛性、近似计算、不等式证明等方面。
以上内容参考:百度百科-泰勒公式
其实这个过程还蛮详细的,第一步,将x提出来并将根号改写为指数,第二步用的是Taylor公式(1+x)^α的前两项和余项(=1+αx+ο(x),将3/x和-2/x看成x,余项ο(3/x)和ο(2/x)与ο(1/x)为同阶无穷小,最后,ο(1/x)是比1/x高阶的无穷小,整个比式趋于0.