本文介绍了线性代数的基本概念，包括标量、向量、矩阵和张量的定义及运算，如点积、矩阵乘法、线性方程组、范数、单位向量和正交矩阵等。此外，还探讨了特征值、特征向量、奇异值分解、伪逆矩阵以及PCA方法在数据降维中的应用。
标量（scalar）
向量（vector）:一列数，即只有一列的矩阵。粗体的小写变量名称，比如 x. 可以把向量看成空间中的点，每个元素时不同坐标轴上的坐标。
矩阵（matrix）：二维数组。用加粗的大写字母表示A. (行row,列column). 矩阵和向量相乘用到了广播。
张量（tensor）：超过两维。就是ndarray那种。[[[[]]]] . 用A（换字体了！）
向量乘法：两个相同维数的向量x，y，点积（dot product）——标量。可看做矩阵乘积y。
矩阵乘法：可以看作是矩阵A中的每行与矩阵B的每列做点积。（满足分配率，结合律，不满足交换律。）
线性方程组——矩阵乘法。Ax=b（A：m×n , x :n×1 , b : m×1） ，A,x顺序不能变，满足矩阵乘法的前提。
生成子空间（span）：原始向量线性组合后所能抵达点的集合。
奇异矩阵：首先是方阵，其次列线性相关（不是满秩）。（向量肯定是奇异的，只不过不是方的。）
范数（Norm）： （范数：其中
范数
最低0.47元/天 解锁文章
447
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
