- 博客(12)
- 资源 (14)
- 收藏
- 关注
翻译 2.12 主成分分析(上)
声明:该文章翻译自MIT出版的《DEEP LEARNING》,博主会定期更新文章内容。由于博主能力有限,中间有过错之处希望大家给予批评指正,一起学习交流。一个简单的机器学习算法,主成分分析(PCA) 可以只使用基本的线性代数知识推导出来。假设我们有mm个点 {x(1),...x(m)}\{\boldsymbol{x^{(1)},...x^{(m)}}\}的集合,它们都属于Rn\rm R^{n}。假设
2015-10-26 14:17:58 884
翻译 2.11 行列式
声明:该文章翻译自MIT出版的《DEEP LEARNING》,博主会定期更新文章内容。由于博主能力有限,中间有过错之处希望大家给予批评指正,一起学习交流。方阵的行列式(用det(A)\rm det(\boldsymbol{A})表示)是矩阵到标量的一个映射函数。行列式等于所有矩阵特征值的乘积。行列式的绝对值可以看做是矩阵膨胀或收缩了多少倍的空间。如果行列式等于0,那么空间至少收缩一维,因为它丢失了体
2015-10-24 14:27:07 646
翻译 2.10 迹算子
声明:该文章翻译自MIT出版的《DEEP LEARNING》,博主会定期更新文章内容。由于博主能力有限,中间有过错之处希望大家给予批评指正,一起学习交流。迹算子给出矩阵所有对角元素的总和:Tr(A)=∑iai,i\rm Tr(\boldsymbol{A})=\sum_i a_{i,i}出于一些原因,迹算子是非常有用的。一些操作在没有求和符号的情况下很难指定,但可以使用矩阵的乘积和迹算子指定。例如,迹
2015-10-24 10:54:10 3254
原创 算法1.1
声明:该文章是博主阅读《算法》的读书笔记。由于博主能力有限,中间有过错之处希望大家给予批评指正,一起学习交流。当我们编写计算机程序时,通常是在实现一种先前设计好的、用来解决某问题的方法。这种方法通常与所使用的计算机无关(可能对多种计算机和多种计算机程序同样适用)。计算机科学中的算法(algorithm)用来描述适合用计算机程序来实现的问题。大部分算法的重点在于计算中涉及的数据的组织方法。按这种方式创
2015-10-22 22:35:14 629
翻译 2.9 穆尔彭罗斯伪逆
声明:该文章翻译自MIT出版的《DEEP LEARNING》,博主会定期更新文章内容。由于博主能力有限,中间有过错之处希望大家给予批评指正,一起学习交流。只有方阵定义了矩阵求逆。假设我们得到矩阵的左逆,这样的话我们就能通过两边都左乘逆,解决下面的线性等式Ax=y\boldsymbol{Ax=y},得到x=By\boldsymbol{x=By}依赖于问题的结构,不太可能设计出唯一的 A\boldsym
2015-10-21 08:46:06 3461
翻译 2.8 奇异值分解
声明:该文章翻译自MIT出版的《DEEP LEARNING》,博主会定期更新文章内容。由于博主能力有限,中间有过错之处希望大家给予批评指正,一起学习交流。在2.7节中,我们看到如何将矩阵分解为特征向量和特征值。奇异值分解(SVD)提供了另一种因式分解矩阵方法,即分解为奇异向量和奇异值。 SVD让我们发现了一些和特征分解相同的信息。然而,SVD却更加适用。因为每个实矩阵具有奇异值分解,但不一定有特征值
2015-10-20 17:30:03 1117
翻译 2.7 特征分解
声明:该文章翻译自MIT出版的《DEEP LEARNING》,博主会定期更新文章内容。由于博主能力有限,中间有过错之处希望大家给予批评指正,一起学习交流。许多数学对象分解为一些组成成分后可以更好的理解,或者是找到它们普遍存在的性质,而这些性质不受限于我们选择的表达方式。例如,整数可以分解成质因子。数字12的表达方式取决于采用二进制还是十进制,但是 12=2×2×312=2\times2\times3
2015-10-19 15:21:00 4778
翻译 2.6 特殊的矩阵和向量
声明:该文章翻译自MIT出版的《DEEP LEARNING》,博主会定期更新文章内容。由于博主能力有限,中间有过错之处希望大家给予批评指正,一起学习交流。 一些特殊的矩阵和向量是非常有用。对角矩阵是只有主对角线上的元素不为零。例如:矩阵 D\boldsymbol{D} 是对角矩阵,当且仅当对于所有 i≠ji \neq j ,di,j=0d_{i,j}=0。我们已经遇到过对角矩阵的例子:单位矩阵,所
2015-10-17 11:31:05 1061
翻译 2.5 范数
声明:该文章翻译自MIT出版的《DEEP LEARNING》,博主会定期更新文章内容。由于博主能力有限,中间有过错之处希望大家给予批评指正,一起学习交流。有时候,我们需要度量向量的尺度。在机器学习中,我们通常用Lp\boldsymbol{L}^p 范数来度量向量的尺度:∥x∥p= (∑i∥xi∥p )1/p\Vert\boldsymbol{x}\Vert_p= \ ( \sum_{i}\Vert x
2015-10-14 18:05:51 3409
翻译 2.4 线性相关和张成空间
声明:该文章翻译自MIT出版的《DEEP LEARNING》,博主会定期更新文章内容。由于博主能力有限,中间有过错之处希望大家给予批评指正,一起学习交流。为了使 A−1\boldsymbol{A^{-1}} 存在,等式 Ax=b\boldsymbol{Ax}=\boldsymbol{b} 对每个b\boldsymbol{b} 值有一个解。然而等式对某些 b\boldsymbol{b} 值可能没有解
2015-10-13 18:20:41 6631
翻译 2.3 单位矩阵和转置矩阵
声明:该文章翻译自MIT出版的《DEEP LEARNING》,博主会定期更新文章内容。由于博主能力有限,中间有过错之处希望大家给予批评指正,一起学习交流。线性代数提供了一个强有力的工具 ——矩阵求逆,可以解决等式 Ax=b。\boldsymbol{Ax}=\boldsymbol{b} 。 为了描述矩阵逆,我们首先需要定义单位矩阵的概念。当我们用单位矩阵乘以其它矩阵时,它不改变矩阵的值。我们用InI
2015-10-12 11:03:48 6485
原创 matlab
matlab for macdiff()函数无法正常显示求导的结果,如图所示: 查阅资料发现,原来是软件将字符当数值处理了,因此使用符号函数,就能解决问题了,如下图所示:
2015-10-12 09:10:25 622
数学方法论选讲
2015-11-16
error_ellipse
2015-05-23
主成分分析的matlab代码
2015-05-22
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人