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)$
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1：
定理2（原函数存在定理）：
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y2=2x和直线y=x-4所围成的图形的面积
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？