Mathmatic for Maschine Learning

signal spaces

Vector Space

a Vector space X is a set of element together
向量空间 子空间

范数(norm)是数学中的一种基本概念。在泛函分析中，它定义在赋范线性空间中，并满足一定的条件，即①非负性；②齐次性；③三角不等式。它常常被用来度量某个向量空间（或矩阵）中的每个向量的长度或大小。

也不是非常异常重要的四个网址

https://blog.csdn.net/francy0527/article/details/72715533
信号处理第一课：向量的空间与子空间
https://www.cnblogs.com/weizc/p/5778678.html L0 L1 L2 范数介绍 精品！！
机器学习理论篇:机器学习的数学基础
https://www.cnblogs.com/jialin0421/p/8988824.html

Hilbert 空间

https://www.xuebuyuan.com/3225491.html Hilbert空间
线性空间中的元素没有“长度”（相当于三维空间中线段的长度），为了量化线性空间中的元素，所以又在线性空间引入特殊的“长度”，即范数。赋予了范数的线性空间即称为赋犯线性空间。
但赋范线性空间中两个元素之间没有角度的概念，为了解决该问题，所以在线性空间中又引入了内积的概念。
因为有度量，所以可以在度量空间、赋范线性空间以及内积空间中引入极限，但抽象空间中的极限与实数上的极限有一个很大的不同就是，极限点可能不在原来给定的集合中，所以又引入了完备的概念，完备的内积空间就称为Hilbert空间。
这几个空间之间的关系是：
线性空间与度量空间是两个不同的概念，没有交集。
赋范线性空间就是赋予了范数的线性空间，也是度量空间（具有线性结构的度量空间）；
内积空间是赋范线性空间加上角度的概念；
希尔伯特空间就是完备的内积空间。

（一片文章带你理解再生核希尔伯特空间（RKHS）以及各种空间）
https://blog.csdn.net/ChangHengyi/article/details/80577318

sup 趋近
max 最大值

期望 mean 相当于求均值（加权平均数）

矩阵乘法（两个矩阵的乘法）可以看成是列向量的线性组合。
$\left[\begin{array}{cc}2& -1\\ 1& 1\end{array}\right]$ $\left[\begin{array}{c}x\\ y\end{array}\right]$ =$\left[\begin{array}{c}1\\ 5\end{array}\right]$
从左往右看：x, y 其实是列向量权重。
从右往左看：x, y 是1 5 在2 1， -1 1上的坐标（投影）
$\left[\begin{array}{cc}2& -1\\ 1& 1\end{array}\right]$ 可以理解为：原本的基线性变换之后的空间系的基。 $\left[\begin{array}{c}x\\ y\end{array}\right]$为原空间系中的一个向量，其本质就是坐标。 所以 $\left[\begin{array}{c}x\\ y\end{array}\right]$ 通过一系列变换$\left[\begin{array}{cc}2& -1\\ 1& 1\end{array}\right]$ 变成了$\left[\begin{array}{c}1\\ 5\end{array}\right]$。$\left[\begin{array}{c}1\\ 5\end{array}\right]$ 在 基为$\left[\begin{array}{cc}2& -1\\ 1& 1\end{array}\right]$的坐标就是 $\left[\begin{array}{c}x\\ y\end{array}\right]$在原坐标系中的位置（若是笛卡尔坐标系，就是该向量的坐标）。

如何理解矩阵特征值

https://www.zhihu.com/question/21874816/answer/181864044

如何理解相似矩阵

https://www.zhihu.com/question/20501504

如何理解矩阵：矩阵就是一种从右往左进行的函数

将向量A（原基）投影到另一种基中（或者是用另一种基来表示此向量，并在该基中此向量的权重保持不变）后再在原基中表示出来（在转换回原基）