机器学习数学基础

最新推荐文章于 2021-07-31 14:28:47 发布

gcaxuxi

最新推荐文章于 2021-07-31 14:28:47 发布

阅读量629

点赞数 2

Master Learning 专栏收录该内容

13 篇文章 1 订阅

订阅专栏

本章转自Mxnet文档，是当下机器学习必备的数学基础，可以供大家平时学习查阅。

数学基础

本节总结了本书中涉及到的有关线性代数、微分和概率的基础知识。为避免赘述本书未涉及的数学背景知识，本节中的少数定义稍有简化。

线性代数

以下分别概括了向量、矩阵、运算、范数、特征向量和特征值的概念。

向量

本书中的向量指的是列向量。一个 $n$ 维向量 $\boldsymbol{x}$ 的表达式可写成

x = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ x 1 x 2 ⋮ x n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥,

$\boldsymbol{x} = \begin{bmatrix} x_{1} \\ x_{2} \\ \vdots \\ x_{n} \end{bmatrix},$

其中 $x_1, \ldots, x_n$ 是向量的元素。我们将各元素均为实数的 $n$ 维向量 $\boldsymbol{x}$ 记作 $\boldsymbol{x} \in \mathbb{R}^{n}$ 或 $\boldsymbol{x} \in \mathbb{R}^{n \times 1}$ 。

矩阵

一个 $m$ 行 $n$ 列矩阵的表达式可写成

X = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ x 11 x 21 ⋮ x m 1 x 12 x 22 ⋮ x m 2 \dots \dots ⋱ \dots x 1 n x 2 n ⋮ x m n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥,

$\boldsymbol{X} = \begin{bmatrix} x_{11} & x_{12} & \dots & x_{1n} \\ x_{21} & x_{22} & \dots & x_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ x_{m1} & x_{m2} & \dots & x_{mn} \end{bmatrix},$

其中 $x_{ij}$ 是矩阵 $\boldsymbol{X}$ 中第 $i$ 行第 $j$ 列的元素（ $1 \leq i \leq m, 1 \leq j \leq n$ ）。我们将各元素均为实数的 $m$ 行 $n$ 列矩阵 $\boldsymbol{X}$ 记作 $\boldsymbol{X} \in \mathbb{R}^{m \times n}$ 。不难发现，向量是特殊的矩阵。

运算

设 $n$ 维向量 $\boldsymbol{a}$ 中的元素为 $a_1, \ldots, a_n$ ， $n$ 维向量 $\boldsymbol{b}$ 中的元素为 $b_1, \ldots, b_n$ 。向量 $\boldsymbol{a}$ 与 $\boldsymbol{b}$ 的点乘（内积）是一个标量：

a \cdot b = a 1 b 1 + \dots + a n b n .

$\boldsymbol{a} \cdot \boldsymbol{b} = a_1 b_1 + \ldots + a_n b_n.$

设两个 $m$ 行 $n$ 列矩阵

A = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ a 11 a 21 ⋮ a m 1 a 12 a 22 ⋮ a m 2 \dots \dots ⋱ \dots a 1 n a 2 n ⋮ a m n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥, B = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ b 11 b 21 ⋮ b m 1 b 12 b 22 ⋮ b m 2 \dots \dots ⋱ \dots b 1 n b 2 n ⋮ b m n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ .

$\boldsymbol{A} = \begin{bmatrix} a_{11} & a_{12} & \dots & a_{1n} \\ a_{21} & a_{22} & \dots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \dots & a_{mn} \end{bmatrix},\quad \boldsymbol{B} = \begin{bmatrix} b_{11} & b_{12} & \dots & b_{1n} \\ b_{21} & b_{22} & \dots & b_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ b_{m1} & b_{m2} & \dots & b_{mn} \end{bmatrix}.$

矩阵 $\boldsymbol{A}$ 的转置是一个 $n$ 行 $m$ 列矩阵，它的每一行其实是原矩阵的每一列：

A ⊤ = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ a 11 a 12 ⋮ a 1 n a 21 a 22 ⋮ a 2 n \dots \dots ⋱ \dots a m 1 a m 2 ⋮ a m n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ .

$\boldsymbol{A}^\top = \begin{bmatrix} a_{11} & a_{21} & \dots & a_{m1} \\ a_{12} & a_{22} & \dots & a_{m2} \\ \vdots & \vdots & \ddots & \vdots \\ a_{1n} & a_{2n} & \dots & a_{mn} \end{bmatrix}.$

两个相同形状的矩阵的加法实际上是按元素做加法：

A + B = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ a 11 + b 11 a 21 + b 21 ⋮ a m 1 + b m 1 a 12 + b 12 a 22 + b 22 ⋮ a m 2 + b m 2 \dots \dots ⋱ \dots a 1 n + b 1 n a 2 n + b 2 n ⋮ a m n + b m n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ .

$\boldsymbol{A} + \boldsymbol{B} = \begin{bmatrix} a_{11} + b_{11} & a_{12} + b_{12} & \dots & a_{1n} + b_{1n} \\ a_{21} + b_{21} & a_{22} + b_{22} & \dots & a_{2n} + b_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} + b_{m1} & a_{m2} + b_{m2} & \dots & a_{mn} + b_{mn} \end{bmatrix}.$

我们使用符号 $\odot$ 表示两个矩阵按元素做乘法的运算：

A ⊙ B = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ a 11 b 11 a 21 b 21 ⋮ a m 1 b m 1 a 12 b 12 a 22 b 22 ⋮ a m 2 b m 2 \dots \dots ⋱ \dots a 1 n b 1 n a 2 n b 2 n ⋮ a m n b m n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ .

$\boldsymbol{A} \odot \boldsymbol{B} = \begin{bmatrix} a_{11} b_{11} & a_{12} b_{12} & \dots & a_{1n} b_{1n} \\ a_{21} b_{21} & a_{22} b_{22} & \dots & a_{2n} b_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} b_{m1} & a_{m2} b_{m2} & \dots & a_{mn} b_{mn} \end{bmatrix}.$

定义一个标量 $k$ 。标量与矩阵的乘法也是按元素做乘法的运算：

k A = [\begin{matrix} k a_{11} & k a_{21} & \dots & k a_{m 1} \\ k a_{12} & k a_{22} & \dots & k a_{m 2} \\ ⋮ & ⋮ & ⋱ & ⋮ \\ k a_{1 n} & k a_{2 n} & \dots & k a_{m n} \end{matrix}] .

$k\boldsymbol{A} = \begin{bmatrix} ka_{11} & ka_{21} & \dots & ka_{m1} \\ ka_{12} & ka_{22} & \dots & ka_{m2} \\ \vdots & \vdots & \ddots & \vdots \\ ka_{1n} & ka_{2n} & \dots & ka_{mn} \end{bmatrix}.$

其它例如标量与矩阵按元素相加、相除等运算与上式中的相乘运算类似。矩阵按元素开根号、取对数等运算也即对矩阵每个元素开根号、取对数等，并得到和原矩阵形状相同的矩阵。

矩阵乘法和按元素的乘法不同。设 $\boldsymbol{A}$ 为 $m$ 行 $p$ 列的矩阵， $\boldsymbol{B}$ 为 $p$ 行 $n$ 列的矩阵。两个矩阵相乘的结果

A B = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ a 11 a 21 ⋮ a i 1 ⋮ a m 1 a 12 a 22 ⋮ a i 2 ⋮ a m 2 \dots \dots ⋱ \dots ⋱ \dots a 1 p a 2 p ⋮ a i p ⋮ a m p ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ b 11 b 21 ⋮ b p 1 b 12 b 22 ⋮ b p 2 \dots \dots ⋱ \dots b 1 j b 2 j ⋮ b p j \dots \dots ⋱ \dots b 1 n b 2 n ⋮ b p n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥

$\boldsymbol{A} \boldsymbol{B} = \begin{bmatrix} a_{11} & a_{12} & \dots & a_{1p} \\ a_{21} & a_{22} & \dots & a_{2p} \\ \vdots & \vdots & \ddots & \vdots \\ a_{i1} & a_{i2} & \dots & a_{ip} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \dots & a_{mp} \end{bmatrix} \begin{bmatrix} b_{11} & b_{12} & \dots & b_{1j} & \dots & b_{1n} \\ b_{21} & b_{22} & \dots & b_{2j} & \dots & b_{2n} \\ \vdots & \vdots & \ddots & \vdots & \ddots & \vdots \\ b_{p1} & b_{p2} & \dots & b_{pj} & \dots & b_{pn} \end{bmatrix}$

是一个 $m$ 行 $n$ 列的矩阵，其中第 $i$ 行第 $j$ 列（ $1 \leq i \leq m, 1 \leq j \leq n$ ）的元素为

a i 1 b 1 j + a i 2 b 2 j + \dots + a i p b p j = \sum k = 1 p a i k b k j .

$a_{i1}b_{1j} + a_{i2}b_{2j} + \ldots + a_{ip}b_{pj} = \sum_{k=1}^p a_{ik}b_{kj}.$

范数

设 $n$ 维向量 $\boldsymbol{x}$ 中的元素为 $x_1, \ldots, x_n$ 。向量 $\boldsymbol{x}$ 的 $L_p$ 范数为

∥ x ∥ p = (\sum i = 1 n | x i | p) 1 / p .

$\|\boldsymbol{x}\|_p = (\sum_{i=1}^n |x_i|^p)^{1/p}.$

例如， $\boldsymbol{x}$ 的 $L_1$ 范数是该向量元素绝对值的和：

∥ x ∥ 1 = \sum i = 1 n | x i | .

$\|\boldsymbol{x}\|_1 = \sum_{i=1}^n |x_i|.$

而 $\boldsymbol{x}$ 的 $L_2$ 范数是该向量元素平方和的平方根：

∥ x ∥ 2 = \sum i = 1 n x 2 i - - - - - \sqrt .

$\|\boldsymbol{x}\|_2 = \sqrt{\sum_{i=1}^n x_i^2}.$

我们通常用 $\|\boldsymbol{x}\|$ 指代 $\|\boldsymbol{x}\|_2$ 。

设 $\boldsymbol{X}$ 是一个 $m$ 行 $n$ 列矩阵。矩阵 $\boldsymbol{X}$ 的Frobenius范数为该矩阵元素平方和的平方根：

∥ X ∥ F = \sum i = 1 m \sum j = 1 n x 2 i j - - - - - - - -  ⎷  ,

$\|\boldsymbol{X}\|_F = \sqrt{\sum_{i=1}^m \sum_{j=1}^n x_{ij}^2},$

其中 $x_{ij}$ 为矩阵 $\boldsymbol{X}$ 在第 $i$ 行第 $j$ 列的元素。

特征向量和特征值

对于一个 $n$ 行 $n$ 列的矩阵 $\boldsymbol{A}$ ，假设有标量 $\lambda$ 和非零的 $n$ 维向量 $\boldsymbol{v}$ 使

A v = λ v,

$\boldsymbol{A} \boldsymbol{v} = \lambda \boldsymbol{v},$

那么 $\boldsymbol{v}$ 是矩阵 $\boldsymbol{A}$ 的一个特征向量，标量 $\lambda$ 是 $\boldsymbol{v}$ 对应的特征值。

微分

我们在这里简要介绍微分的一些基本概念和演算。

导数和微分

假设函数 $f: \mathbb{R} \rightarrow \mathbb{R}$ 的输入和输出都是标量。函数 $f$ 的导数

f^{'} (x) = lim_{h \to 0} \frac{f (x + h) - f (x)}{h},

$f^\prime(x) = \lim_{h \rightarrow 0} \frac{f(x+h) - f(x)}{h},$

且假定该极限存在。给定 $y = f(x)$ ，其中 $x$ 和 $y$ 分别是函数 $f$ 的自变量和因变量。以下有关导数和微分的表达式等价：

f^{'} (x) = y^{'} = \frac{d y}{d x} = \frac{d f}{d x} = \frac{d}{d x} f (x) = D f (x) = D_{x} f (x),

$f^\prime(x) = y^\prime = \frac{dy}{dx} = \frac{df}{dx} = \frac{d}{dx} f(x) = Df(x) = D_x f(x),$

其中符号 $D$ 和 $d/dx$ 也叫微分运算符。常见的微分演算有 $DC = 0$ （ $C$ 为常数）、 $Dx^n = nx^{n-1}$ （ $n$ 为常数）、 $De^x = e^x$ 、 $D\ln(x) = 1/x$ 等。

如果函数 $f$ 和 $g$ 都可导，设 $C$ 为常数，那么

\begin{aligned} \frac{d}{d x} [C f (x)] & = C \frac{d}{d x} f (x), \\ \frac{d}{d x} [f (x) + g (x)] & = \frac{d}{d x} f (x) + \frac{d}{d x} g (x), \\ \frac{d}{d x} [f (x) g (x)] & = f (x) \frac{d}{d x} [g (x)] + g (x) \frac{d}{d x} [f (x)], \\ \frac{d}{d x} [\frac{f (x)}{g (x)}] & = \frac{g (x) \frac{d}{d x} [f (x)] - f (x) \frac{d}{d x} [g (x)]}{[g (x)]^{2}} . \end{aligned}

$\begin{aligned} \frac{d}{dx} [Cf(x)] &= C \frac{d}{dx} f(x),\\ \frac{d}{dx} [f(x) + g(x)] &= \frac{d}{dx} f(x) + \frac{d}{dx} g(x),\\ \frac{d}{dx} [f(x)g(x)] &= f(x) \frac{d}{dx} [g(x)] + g(x) \frac{d}{dx} [f(x)],\\ \frac{d}{dx} \left[\frac{f(x)}{g(x)}\right] &= \frac{g(x) \frac{d}{dx} [f(x)] - f(x) \frac{d}{dx} [g(x)]}{[g(x)]^2}. \end{aligned}$

如果 $y=f(u)$ 和 $u=g(x)$ 都是可导函数，依据链式法则，

d y d x = d y d u d u d x .

$\frac{dy}{dx} = \frac{dy}{du} \frac{du}{dx}.$

泰勒展开

函数 $f$ 的泰勒展开式是

f (x) = \sum_{n = 0}^{\infty} \frac{f^{(n)} (a)}{n!} (x - a)^{n},

$f(x) = \sum_{n=0}^\infty \frac{f^{(n)}(a)}{n!} (x-a)^n,$

其中 $f^{(n)}$ 为函数 $f$ 的 $n$ 阶导数（求 $n$ 次导数）， $n!$ 为 $n$ 的阶乘。假设 $\epsilon$ 是个足够小的数，如果将上式中 $x$ 和 $a$ 分别替换成 $x+\epsilon$ 和 $x$ ，我们可以得到

f (x + ϵ) \approx f (x) + f^{'} (x) ϵ + O (ϵ^{2}) .

$f(x + \epsilon) \approx f(x) + f'(x) \epsilon + \mathcal{O}(\epsilon^2).$

由于 $\epsilon$ 足够小，上式也可以简化成

f (x + ϵ) \approx f (x) + f' (x) ϵ .

$f(x + \epsilon) \approx f(x) + f'(x) \epsilon.$

偏导数

设 $u$ 为一个有 $n$ 个自变量的函数， $u = f(x_1, x_2, \ldots, x_n)$ ，它有关第 $i$ 个变量 $x_i$ 的偏导数为

\partial u \partial x i = lim h \to 0 f ( x 1 , \dots , x i - 1 , x i + h , x i + 1 , \dots , x n ) - f ( x 1 , \dots , x i , \dots , x n ) h .

$\frac{\partial u}{\partial x_i} = \lim_{h \rightarrow 0} \frac{f(x_1, \ldots, x_{i-1}, x_i+h, x_{i+1}, \ldots, x_n) - f(x_1, \ldots, x_i, \ldots, x_n)}{h}.$

以下有关偏导数的表达式等价：

\partial u \partial x i = \partial f \partial x i = f x i = f i = D i f = D x i f .

$\frac{\partial u}{\partial x_i} = \frac{\partial f}{\partial x_i} = f_{x_i} = f_i = D_i f = D_{x_i} f.$

为了计算 $\partial u/\partial x_i$ ，我们只需将 $x_1, \ldots, x_{i-1}, x_{i+1}, \ldots, x_n$ 视为常数并求 $u$ 有关 $x_i$ 的导数。

梯度

假设函数 $f: \mathbb{R}^n \rightarrow \mathbb{R}$ 的输入是一个 $n$ 维向量 $\boldsymbol{x} = [x_1, x_2, \ldots, x_n]^\top$ ，输出是标量。函数 $f(\boldsymbol{x})$ 有关 $\boldsymbol{x}$ 的梯度是一个由 $n$ 个偏导数组成的向量：

\nabla_{x} f (x) = [\frac{\partial f (x)}{\partial x_{1}}, \frac{\partial f (x)}{\partial x_{2}}, \dots, \frac{\partial f (x)}{\partial x_{n}}]^{⊤} .

$\nabla_{\boldsymbol{x}} f(\boldsymbol{x}) = \bigg[\frac{\partial f(\boldsymbol{x})}{\partial x_1}, \frac{\partial f(\boldsymbol{x})}{\partial x_2}, \ldots, \frac{\partial f(\boldsymbol{x})}{\partial x_n}\bigg]^\top.$

为表示简洁，我们有时用 $\nabla f(\boldsymbol{x})$ 代替 $\nabla_{\boldsymbol{x}} f(\boldsymbol{x})$ 。

假设 $\boldsymbol{x}$ 是一个向量，常见的梯度演算包括

\nabla x A ⊤ x \nabla x x ⊤ A \nabla x x ⊤ A x \nabla x ∥ x ∥ 2 = A, = A, = (A + A ⊤) x, = \nabla x x ⊤ x = 2 x .

$\begin{aligned} \nabla_{\boldsymbol{x}} \boldsymbol{A}^\top \boldsymbol{x} &= \boldsymbol{A}, \\ \nabla_{\boldsymbol{x}} \boldsymbol{x}^\top \boldsymbol{A} &= \boldsymbol{A}, \\ \nabla_{\boldsymbol{x}} \boldsymbol{x}^\top \boldsymbol{A} \boldsymbol{x} &= (\boldsymbol{A} + \boldsymbol{A}^\top)\boldsymbol{x},\\ \nabla_{\boldsymbol{x}} \|\boldsymbol{x} \|^2 &= \nabla_{\boldsymbol{x}} \boldsymbol{x}^\top \boldsymbol{x} = 2\boldsymbol{x}. \end{aligned}$

类似地，假设 $\boldsymbol{X}$ 是一个矩阵，那么

\nabla X ∥ X ∥ 2 F = 2 X .

$\nabla_{\boldsymbol{X}} \|\boldsymbol{X} \|_F^2 = 2\boldsymbol{X}.$

黑塞矩阵

假设函数 $f: \mathbb{R}^n \rightarrow \mathbb{R}$ 的输入是一个 $n$ 维向量 $\boldsymbol{x} = [x_1, x_2, \ldots, x_n]^\top$ ，输出是标量。假定函数 $f$ 所有的二阶偏导数都存在， $f$ 的黑塞矩阵 $\boldsymbol{H}$ 是一个 $n$ 行 $n$ 列的矩阵：

H = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ \partial 2 f \partial x 2 1 \partial 2 f \partial x 2 \partial x 1 ⋮ \partial 2 f \partial x n \partial x 1 \partial 2 f \partial x 1 \partial x 2 \partial 2 f \partial x 2 2 ⋮ \partial 2 f \partial x n \partial x 2 \dots \dots ⋱ \dots \partial 2 f \partial x 1 \partial x n \partial 2 f \partial x 2 \partial x n ⋮ \partial 2 f \partial x 2 n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥,

$\boldsymbol{H} = \begin{bmatrix} \frac{\partial^2 f}{\partial x_1^2} & \frac{\partial^2 f}{\partial x_1 \partial x_2} & \dots & \frac{\partial^2 f}{\partial x_1 \partial x_n} \\ \frac{\partial^2 f}{\partial x_2 \partial x_1} & \frac{\partial^2 f}{\partial x_2^2} & \dots & \frac{\partial^2 f}{\partial x_2 \partial x_n} \\ \vdots & \vdots & \ddots & \vdots \\ \frac{\partial^2 f}{\partial x_n \partial x_1} & \frac{\partial^2 f}{\partial x_n \partial x_2} & \dots & \frac{\partial^2 f}{\partial x_n^2} \end{bmatrix},$

其中二阶偏导数

\partial 2 f \partial x i \partial x j = \partial \partial x j (\partial f \partial x i) .

$\frac{\partial^2 f}{\partial x_i \partial x_j} = \frac{\partial }{\partial x_j} \left(\frac{\partial f}{ \partial x_i}\right).$

概率

最后，我们简要介绍条件概率、期望和均匀分布。

条件概率

假设事件 $A$ 和事件 $B$ 的概率分别为 $\mathbb{P}(A)$ 和 $\mathbb{P}(B)$ ，两个事件同时发生的概率记作 $\mathbb{P}(A \cap B)$ 或 $\mathbb{P}(A, B)$ 。给定事件 $B$ ，事件 $A$ 的条件概率

P (A ∣ B) = P ( A \cap B ) P ( B ) .

$\mathbb{P}(A \mid B) = \frac{\mathbb{P}(A \cap B)}{\mathbb{P}(B)}.$

也就是说，

P (A \cap B) = P (B) P (A ∣ B) = P (A) P (B ∣ A) .

$\mathbb{P}(A \cap B) = \mathbb{P}(B) \mathbb{P}(A \mid B) = \mathbb{P}(A) \mathbb{P}(B \mid A).$

当满足

P (A \cap B) = P (A) P (B)

$\mathbb{P}(A \cap B) = \mathbb{P}(A) \mathbb{P}(B)$

时，事件 $A$ 和事件 $B$ 相互独立。

期望

随机变量 $X$ 的期望（或平均值）

E (X) = \sum_{x} x P (X = x) .

$\mathbb{E}(X) = \sum_{x} x \mathbb{P}(X = x).$

均匀分布

假设随机变量 $X$ 服从 $[a, b]$ 上的均匀分布，即 $X \sim U(a, b)$ 。随机变量 $X$ 取 $a$ 和 b <script type="math/tex" id="MathJax-Element-182">b</script>之间任意一个数的概率相等。

小结

本节总结了本书中涉及到的有关线性代数、微分和概率的基础知识。

gcaxuxi

关注

2
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
机器学习数学基础

本章转自Mxnet文档，是当下机器学习必备的数学基础，可以供大家平时学习查阅。数学基础本节总结了本书中涉及到的有关线性代数、微分和概率的基础知识。为避免赘述本书未涉及的数学背景知识，本节中的少数定义稍有简化。线性代数以下分别概括了向量、矩阵、运算、范数、特征向量和特征值的概念。向量本书中的向量指的是列向量。一个nnn维向量xx\boldsymbol{x}的表...
复制链接

扫一扫