这篇博客介绍了机器学习中线性代数的基础概念，包括向量、矩阵和张量的操作，如相加减、范数计算以及矩阵的逆和伪逆。还探讨了行列式、线性方程组、二次型与正定性以及矩阵分解如Cholesky和LU分解的重要性。
向量，矩阵，张量
- 标量: x
举例：点 - 向量： ( x 1 , x 2 , x 3 , . . . , x n ) ∈ R n (x_1,x_2,x_3,...,x_n)\in R^n (x1,x2,x3,...,xn)∈Rn
举例：线（时间序列）或者n维空间里的一个方向 - 矩阵（二维下标 A i , j A_{i,j} Ai,j）
举例：面（黑白照片的灰度像素点） - 张量Tensor（多维下标， A i , j , k , l . . . A_{i,j,k,l...} Ai,j,k,l...）
举例：立体（魔方）或者 彩色照片（三维张量，三种RGB像素点的叠加）或者 视频（四维张量，在照片基础上增加时间维度）
向量和矩阵运算
相加减
- 对应项相加减
范数(距离)
L 2 = ∣ ∣ x ∣ ∣ 2 = x 1 2 + x 2 2 + . . . . + x n 2 L_2=||x||_2=\sqrt{x_1^2+x_2^2+....+x_n^2} L2=∣∣x∣∣2=x12+x22+....+xn2
L p = ∣ ∣ x ∣ ∣ p = ( ∑ i = 1 n ∣ x i ∣ p ) 1 p L_p=||x||_p=(\sum_{i=1}^n|x_i|^p)^{\frac{1}{p}} Lp=∣∣x∣∣
最低0.47元/天 解锁文章
2389
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
