新MIT线性代数与机器学习18.065课程学习笔记1

最新推荐文章于 2024-01-26 22:29:33 发布
最新推荐文章于 2024-01-26 22:29:33 发布
阅读量842 收藏 3
点赞数
分类专栏： 线性代数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/guanguanboy/article/details/105610941
版权

第一课：

1，将矩阵与向量的乘法，我们要以向量化的方式来看待矩阵与向量的乘法，将矩阵与向量的乘法看成是矩阵列空间基的线性组合，不要以点积的形式来看待。

2，A = CR 第一个矩阵分解方法

A是一个矩阵

C：列空间的基，直接来自于A中的列

R：行空间的基

 

3，将两个矩阵的乘法看成是第一个矩阵的列与第二个矩阵的行相乘-这是高级看法。不要看成行与列的相乘-低级的看法。

 

第二课：矩阵的5种分解方法

1，分解类型

A = LU  -------消元法

A = QR ---------Gram-Schmidt方法

S = Q\Lambda Q^{T}-------求特征值特征向量的方法

A= X\Lambda X^{-1} ----------

A = U\Lambda V^{T}

 

guanguanboy
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
MIT18.065 数据分析、信号处理和机器学习中的矩阵方法-学习笔记
baidu_26296695的博客
08-27 1863
文章目录MIT18.065 数据分析、信号处理和机器学习中的矩阵方法Lecture 1 The Column Space of A Contains All Vectors AxA=CRA=CMRLecture 2 Multiplying and Factoring MatricesLU分解的解释Lecture 3 Orthonormal Columns in Q Give QTQ=IQ^TQ=IQTQ=IHouseHolder reflectionHadamard matrices正交矩阵的特征向量矩阵L
MIT-18.065-Notes
03-10
MIT-18.065-注意 “数据分析，信号处理和机器学习中的矩阵方法”课程的讲义：＃数据分析，信号处理和机器学习中的矩阵方法
线性代数|学习笔记|18.065MIT公开课lecture02
HZCsummer的博客
10-17 217
lecture02:Multiplying and Factoring Matrices——矩阵乘法和分解 矩阵乘法 AB=column∗row=[a1⋯an][b1∗⋮bn∗]=a1b1∗+a2b2∗+⋯+anbn∗AB=column*row=\left[\begin{matrix} a_1&\cdots&a_n \end{matrix}\right] \left[\begin{matrix} b_1^*\\\vdots\\b_n^* \end{matrix}\right
线性代数|学习笔记|18.065MIT公开课lecture01
HZCsummer的博客
10-16 175
lecture01:The Column Space of AAA Contains All Vectors AxAxAx——AAA的列向量空间包含所有AxAxAx向量 矩阵向量乘法AxAxAx和列空间C(A)C(A)C(A) [2133145712][x1x2x3]=[2x1+x2+3x33x1+x2+4x35x1+7x2+12x3]=x1[235]+x2[117]+x3[3412] \left[\begin{matrix} 2&1&3\\3&1&4\\5&
机器学习笔记（PRML）
Leo的博客
04-19 9755
转载自：http://nbviewer.jupyter.org/github/lijin-THU/notes-machine-learning/blob/master/ReadMe.ipynb 机器学习笔记 简介 作者：李金  版本：0.0.1 邮件：lijinwithyou@gmail.com 机器学习笔记，使用 jupyter notebook (ipy
18.065自学安排
denghong637573的博客
05-23 274
引言 「人的一生中，最光辉的一天并非是功成名就那天，而是从悲叹与绝望中产生对人生的挑战，以勇敢迈向意志那天。」福楼拜 最近找实习的过程中遇到很多挫折，但是我很感谢珍珍能在我最失意的时候告诉我这个道理。 课程简介 计划完成的课程是《Matrix Methods in Data Analysis, Signal Processing, and Machine Learning》，MIT Co...
超详细MIT线性代数公开课笔记完整版.pdf
06-23
坐着喜欢利用几何图像来帮助读者理解线性代数中的概念，英文出到第五版了，华章出过中译本。本文包含读者的一些独到的见解
p2 矩阵消元 MIT线性代数手写 课程笔记 .pdf
01-09
MIT线性代数手写 课程笔记
MIT线性代数笔记.rar
01-08
“线性代数”，同微积分一样，是高等数学中两大入门课程之一，不仅是一门...本课程讲述了矩阵理论及线性代数的基本知识，侧重于那些与其他学科相关的内容，包括方程组、向量空间、行列式、特征值、相似矩阵及正定矩阵。
MIT线性代数公开课笔记.zip
07-23
这份"MIT线性代数公开课笔记"就是该课程的精华总结，包含了详细的理论解释、实例解析和可视化图示，旨在帮助学生深入理解和应用线性代数的基本概念。 线性代数的核心概念包括向量、矩阵、行列式、特征值和特征向量...
麻省理工机器学习笔记
10-19
麻省理工机器学习的教程对入门者十分友好 介绍了感知机 支持向量机等各种算法
MIT18.06线性代数讲义完整版（带目录打印）
07-22
该讲义对应网易公开课MIT线性代数18.06，包含所有的讲义和测试题目及答案，适合学习和复习使用。为了方便增加了目录，可打印，全文212页。
MIT线性代数笔记.zip
08-10
《MIT线性代数笔记》是一份源自世界顶级学府麻省理工学院（MIT）的珍贵学习资料，它深入浅出地介绍了线性代数这一数学领域的核心概念、理论和应用。线性代数是现代科学和技术中不可或缺的数学工具，广泛应用于物理学...
想要入坑机器学习？这是MIT在读博士的AI心得
深度学习世界
04-26 1384
作者：Tom Silver  机器之心编译随着人工智能技术的火热，越来越多的年轻学者正准备投身其中，开启自己的研究之路。和所有其他学科一样，人工智能领域的新人总会遇到各种...
线性代数-MIT 18.06-5(b)
儒雅的钓翁
02-16 498
本文在学习《麻省理工公开课 线性代数 MIT 18.06 Linear Algebra》总结反思形成。每5讲作为一个专题，本次5讲的题目为第21讲：特征值和特征向量；第22讲：对角化和矩阵的幂;第23讲：微分方程和指数矩阵；第24讲：马尔科夫矩阵、傅里叶级数；第23讲：复习二
MIT线性代数笔记-第二十八讲
fighting!
03-17 433
ATAATAA^TA 为正定矩阵 先看一下正定矩阵的性质: 1.对称 2.逆矩阵亦为正定矩阵(由于原矩阵的特征值与逆矩阵互为倒数，那么逆矩阵的特征值也大于0) 3.若A，B为正定矩阵，A + B亦为正定矩阵 我们来证一下第三条。由27讲我们知道，证明正定矩阵的最关键的一条为xTAx>0xTAx>0x^TAx > 0,根据A，B为正定矩阵，我们得到: xTAx>0xTA...
MIT18_065S18P-lecture one notes
Fregot的博客
11-10 237
Lecture One Notes student name: ZhouZhuoFei more information can see, if you want to interactive with figure we take a matrix A here: A=[2133145712] A = \begin{bmatrix} 2 & 1 & 3 \\ 3 & 1 & 4 \\ 5 & 7 & 12 \end{bmatrix} A=⎣⎡​23
线性代数|学习笔记|18.065MIT公开课 lecture05
HZCsummer的博客
10-19 226
lecture05:Positive Definite and Semidefinite Matrices——正定、半正定矩阵 补充：【线性代数】6-5:正定矩阵(Positive Definite Matrices) | 谭升的博客 https://face2ai.com/Math-Linear-Algebra-Chapter-6-5/ 对称正定矩阵 讨论满足条件： 对称矩阵，特征值λi>0\lambda_i>0λi​>0 充要条件：xTSx>0(x≠0)x^TSx&gt
MIT18.065 数据分析、信号处理和机器学习中的矩阵方法 学习笔记 -- Lecture 11 Minimizing_xSubject to Ax=b
最新发布
Elsa_974的博客
01-26 892
当x2为负时，存在y=x1+-x2,y=-x1+-x2等情况，因此L1范数图像呈钻石状。解决方法：在剩余的所有向量中，均减去a1方向上的分量，后进行比较，选择剩余向量较大的做第二个基向量q2。In 3D，直线变成平面或两个方程一条直线，L1扩展为立体钻石，L2扩展为球形，L3扩展为立方体。因此Gram-Schmidt，从一个非正交非独立的矩阵A，通过构造获得一个标准正交矩阵Q与其他矩阵的乘积R。在修改后的方式中，在每一步中，将所有列都减去上一步已知的方向分量，后选择最大的向量。为非正交矩阵且非独立。
超详细MIT线性代数公开课笔记(中)1
08-03
本节课主要介绍了线性代数中的最小二乘法、行列式和特征值。最小二乘法是一种数学优化技术，用于寻找一组数据点与一条直线（在二维空间中）或一个超平面（在更高维空间中）之间的最佳拟合线或平面。行列式是一个在线...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值