矩阵与线性代数

1. SVD分解
2. 矩阵的乘法、状态转移矩阵($y=xT$)
3. 矩阵和向量组
   特征值和特征向量
4. 对称阵($A=A^T$)、正交阵（$A{A}^T=I$）、正定阵
   实对阵成不同特征值的特征向量正交
5. 数据白化
6. 正交基(基向量间彼此正交)
7. QR分解、LFM
   矩阵求导
8. 向量对向量求导
9. 标量对向量求导
10. 标量对矩阵求导

行列式

最少乘法次数

实对称阵不同特征值的特征向量正交

白化/漂白（whitening）



$Q$是单位阵


求导

1. 机器学习中的矩阵向量求导(一) 求导定义与求导布局
2. 机器学习中的矩阵向量求导(二) 矩阵向量求导之定义法
3. 机器学习中的矩阵向量求导(三) 矩阵向量求导之微分法
4. 机器学习中的矩阵向量求导(四) 矩阵向量求导链式法则
5. https://www.cnblogs.com/pinard/p/10930902.html