吴恩达-机器学习公开课 学习笔记 Week1-4 Parameter Learning
1-4 Linear Algebra Review 课程内容
此文为Week1 中Linear Algebra Review的部分。此部分为可选内容。
1-4-1 Matrices and Vectors
矩阵
矩阵是指由数字组成的矩形阵列,并写在方括号中间。实际上,矩阵可以说是二维数组的另一个名字。
矩阵的维度应该写作:矩阵的行数乘以列数
接下来,让我们来谈谈如何表达矩阵的某个特定元素。
标准的表达是:如果A是这个矩阵,那么Aij 表示的是 i j对应的那个数字,意思是矩阵的第i行和第j列对应的那个数。
向量
向量是一种特殊的矩阵,向量是只有一列的矩阵。
将使用符号yi来代表向量y的第i个元素。所以,如果这个向量是y,那么y下标i则表示它的第i个元素。
此外,事实上有两种方法来表达某个向量中某个索引: 1-索引 和 0-索引。
通常在书写矩阵和向量时,大多数人会使用***大写字母来表示矩阵*** ,小写字母来表示数字或是原始的数字或标量或向量
1-4-2 Addition and Scalar Multiplication
矩阵加法
只有相同维度的两个矩阵才能相加,将这两个矩阵的每一个元素都逐个相加。
矩阵和标量的乘法运算
这里所说的标量可能是一个复杂的结构或者只是一个简单的数字,或者说实数。
总结
1-4-3 Matrix Vector Multiplication
假设这是一个矩阵A,将它乘以 一个向量x,结果记为向量y。所以,矩阵A是一个m×n维矩阵,有m行和n列,我们让它与一个 n×1的矩阵相乘,换言之 一个n维向量。
也就是说,这个矩阵的列数有n列,必须要与另一个相乘矩阵的行数相同。即必须匹配这个向量的维数。这样相乘的结果将会是一个n维向量y,m将与 矩阵A的行数相同。
事实上,计算y的过程可以分解为计算 yi 的值:让A的第i行元素分别乘以向量 x 中的元素并且相加。
eg. 假设我有四间房子,这些房子有四种大小。我有一个假设函数h用于预测房子的价格。我需要计算四间房子的大小作为 h(x) 的大小即预测的房价。
首先构建一个矩阵以及一个向量
可以只写一行代码就完成整个过程。
prediction = DataMatrix × Parameters
而且还有一个微妙的好处,我们后面将会了解到。就是基于你所有的房子,这样做计算效率将会更高。比你像右边那样用代码实现公式的方式效率将会高很多。
通过这种方式计算预测值,不仅代码更加简洁,而且效率更高。
1-4-4 Matrix Matrix Multiplication
Matrix Matrix Multiplication
如果A是一个m×n的矩阵,就是说m行n列,我将要用它与 一个n×o的矩阵相乘。所以第一个矩阵的列的数目必须等于第二矩阵中的行的数目,并且相乘得到的结果会是一个m×o的矩阵。
Matrix Multiplication Properties
单位矩阵:
矩阵乘法是不服从交换律的。
矩阵乘法符合结合律。
1-4-5 Inverse and Transpose
逆矩阵
如果一个矩阵的维度是m行m列,那么这个矩阵也可以称之为方阵 。只有方阵才有逆矩阵
如果矩阵A中所有元素都为0,那么这个矩阵A依然没有逆矩阵。
逆矩阵不存在的矩阵叫奇异矩阵或者退化矩阵。因此这个零矩阵就是一个奇异矩阵,或者说退化矩阵的例子。
转置矩阵
1-4-6 测验 Linear Algebra
课程链接
https://www.coursera.org/learn/machine-learning/home/week/1