python中的array

1. 创建矩阵： A = np.array([[2, 3], [0, 1]])

2.矩阵乘法： b = A @ x （A和x都是矩阵，这里就是正常的矩阵相乘）

3. 矩阵元素相乘： b = A * x

4. 矩阵元素相加： b = A + x

5. 取出矩阵中单独的元素： b = A[0, 0] （这里可以输出：2，A的00位置的元素）

6. 取出矩阵中的一整行row： b = A[0, :]

7. 取出矩阵中的一整列column：b = A[:, 0]

8. 矩阵转置： A_Transpose = A.T

9. 解决线性方程： x = np.linalg.solve(A, B)

10. 矩阵的可逆计算： A_inv = np.linalg.inv(A)

11. 矩阵的伪逆计算（moore-penrose inverse）： B = np.linalg.pinv(a)

12. 高斯消元的思路：

• 找到每一列的最大值

• 将最大值的那一行移到“最上方”（第一次循环就是挪到第一行，第二次循环就是将最大值挪到第二行....）

• 将“最上方”的元素变成1

• 将除了“最上方”那一行的下面所有列元素都变成0

• 循环上述操作，直到所有min（行数，列数）完成步骤（因为矩阵最多有min（行数，列数）的pivot）

13. Kmeans的思路：（一切的目的都是为了找到最小的training loss）

1. 先明确初始时K（clusters）的数量，同时确定每个cluster的中心点

2. 将training data中的所有点与每个cluster的中心点的距离计算出来

3. 每个training data选取距离最近的中心点

4. 重新计算每个clusters的中心点，并回到步骤2，直到每个cluster中没有新的点的加入（一切如旧）即停止

14.两种聚类的方法（clustering method）：

• agglomerative（凝聚）：先由几个不同的clusters构成一个大的clusters

• divisive（分裂）：初始都在一个cluster中，接着分裂成不同的组合

【怎么来明确cluster：使用cluster的中心点（centroid）作为代表/在training data中随便找一个点】