AI学习数学基础——矩阵

纵观机器学习的书籍，数学公式占据了很大的篇幅，每一个理论算法的提出，后面总会跟一堆繁杂的数学证明，如何对机器学习算法有深入的理解，将其在生活中加以运用，这是数学证明无法做到的，这要求从业者不仅有算法理论基础，也要有工程能力，将算法落地。

我的理解，算法是一种方法，它被设计来解决特定的问题。以问题为导向，学者设计解决方法。当然，学者们偏向于AI来解决现实问题，NLP,CV解决方法的实例。究竟AI是否为这些问题的终极方法，我们不得而知，但目前它比以前所有的方法都要好。AI算法多由数学来表示，其中线性代数，微积分，概率论最为常见。

我想先从机器学习的整个流程为起点，从人的直觉，准确是我的直觉的角度来记录我的AI学习之路。

机器学习，第一步即是数据，数据的计算机表示底层我们不关心，其整体在直观上就是N个样本，每个样本有M个属性，分别有具体的度量值。将他们排列在一起，套用矩阵的定义就构成了一个M*N矩阵。随后根据业务需求，对样本做标记。Y

矩阵是为了简化批量线性运算的一个“终极武器”。深度学习课程，达叔的推导总是先从一个样本，过度到N个样本，用矩阵批量运算。

由 m × n 个数aij排成的m行n列的数表称为m行n列的矩阵，简称m × n矩阵。记作：