AI数学基础动画讲解 - 线性代数（向量空间）

线性代数（向量空间）

向量空间： 向量空间，又称线性空间，是线性代数的中心内容和基本概念之一。

向量空间定义为带有加法和标量乘法的集合V。具体来说，向量空间中的元素称为向量，这些向量之间定义了加法和标量乘法两种运算，并满足一系列公理。

线性代数（向量空间）

向量空间的公理详细列出如下：

1. 加法封闭性：向量空间中的任意两个向量相加的结果仍然属于该向量空间。

符号表示：对于任意u, v ∈ V，u + v ∈ V。

3. 加法结合律：向量空间中的任意三个向量u、v和w的和满足结合律。

数学表达式：(u + v) + w = u + (v + w)。

5. 加法交换律：向量空间中的任意两个向量u和v相加的结果与v和u相加的结果相等。

数学表达式：u + v = v + u。

7. 存在零向量：向量空间中存在一个特殊的向量0，它与任意向量u相加的结果等于u本身。

数学表达式：对于任意向量u，u + 0 = u。

9. 存在逆元（负向量）：向量空间中的任意向量u都存在一个对应的逆元-u（负向量），使得u与-u相加的结果为零向量。

数学表达式：对于任意向量u，存在-u，使得u + (-u) = 0。

11. 标量乘法的结合性：在向量空间中，任意标量k和l与向量u的乘积满足结合律。

数学表达式：(kl)u = k(lu)。

13. 向量与标量的乘法分配律：在向量空间中，任意标量k与向量u、v的乘积再进行加法运算，等于先对向量进行加法运算再进行标量乘法运算的结果。

数学表达式：k(u + v) = ku + kv。

15. 标量与向量的乘法分配律：在向量空间中，任意两个标量k和l与向量u的乘积再进行加法运算，等于先对标量进行加法运算再进行向量乘法运算的结果。

数学表达式：(k + l)u = ku + lu。

线性代数（向量空间）

基向量和标量： 基向量是构成向量空间的一组线性无关的向量，而标量是单一数值，用于表示大小、长度、角度等度量，不与方向关联。

基向量和标量

• 基向量： 在向量空间中，基（basis）是一组线性无关的向量，它们可以生成（或称为“张成”）整个向量空间。这些构成基的向量就被称为基向量（basis vectors）。例如，一个人的年龄、身高或体重，有三个特征维度，可以将每个特征维度视为一个“基向量”。

• 标量： 标量（scalar）是只有大小、没有方向的量。例如，一个人的年龄、身高或体重，都是可以用一个具体的数值来表示的，即标量。

• 线性组合： 线性组合是线性代数中的一个基本概念，它指的是将一组向量分别乘以相应的标量系数，并将结果相加 （即缩放向量并相加），从而得到一个新的向量。

线性组合

线性独立和线性相关： 线性独立和线性相关是线性代数中的两个核心概念，它们描述了向量之间的特定关系。

线性独立

• 线性独立： 如果一组向量中的任何一个向量都不能表示为其他向量的线性组合，则这组向量被称为线性独立的。基向量都是线性独立，N个基向量张成N维向量空间。

• 线性相关： 在线性代数中，如果一组向量中的任何一个向量都可以表示为其他向量的线性组合（即乘以标量并相加），则这组向量被称为线性相关的。

线性相关

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈