机器学习实践系列 1 线性代数计算的python实现

在深入学习机器学习，开启人工智能算法设计之前，有许多需要事先掌握的知识，最重要的是数学知识和编程能力，而且要把这两者有机结合起来，以备今后实现各类算法做好准备。
python是如今广为传颂的科学计算程序开发语言，有优势或缺点在这里不想追溯，毕竟没有一种万能工具能解决所有问题，我们只把它当成一种工具就好了。我想把自己学习、实践机器学习知识的体会通过这个博客记录下来，分享出去，其中的问题和错误希望看到的朋友给予批评指正。
先把之前整理过的，使用python numpy库完成线性代数常用计算的部分记录一下。

一、环境准备

1. 编码工具

执行下面程序前，需要安装python 和numpy库，推荐使用anaconda 3或更高版本。安装过程请参看anaconda官网文档。

2.编程环境

每个人都有自己偏爱的python编程环境，或繁或简都是可以的。在这里推荐使用anaconda 3集成的jupyter notebook，能够在浏览器上编写和调试代码，简单方便。

二、线性代数中常用计算的实现

线性代数里的主要内容包括：

• 行列式
• 矩阵
• 向量
• 线性方程
• 线性空间

• 二次型等

  由于行列式可以认为是方阵的一种特殊计算表达方式，所以下面从矩阵的创建开始。

1.矩阵的创建

如果仅使用于python+numpy，那么创建矩阵有如下方法：

import numpy as np
#下列矩阵均由numpy ndarray对象存放

'''构造矩阵方法1  得到一个3*3矩阵'''
a = np.array([[1,2,-4],[-2,2,1],[-3,4,-2]],dtype=np.float64)
'''构造矩阵方法2，得到一个3*3矩阵'''
b = b = np.arange(11,20).reshape(3,3)
'''构造矩阵方法3，得到一个3*3的全0矩阵'''
c = np.zeros((3,3))
'''构造矩阵方法4，得到一个3*3的全1矩阵'''
d = np.ones((3,