机器学习学习笔记 3、线性代数与矩阵

最新推荐文章于 2024-10-10 12:45:12 发布
最新推荐文章于 2024-10-10 12:45:12 发布
阅读量352 收藏
点赞数
分类专栏： Math 学习笔记 文章标签： 机器学习 Math
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zjy1040028623/article/details/77161774
版权

线性代数与矩阵

本文参考了目前网上诸多的机器学习数学复习讲义，取其精华，逐步深入，在帮助大家进行复习的同时，尽可能降低学习曲线。

1.矩阵定义

图片1.png

2.行列式

方阵的行列式m=n
图片1.png

3.代数余子式

图片1.png

4.伴随矩阵

图片1.png

5.范德蒙行列式Vandermonde

图片1.png

6.矩阵

矩阵乘法

图片1.png

矩阵模型

图片1.png

图片1.png

图片1.png

图片1.png

图片1.png

图片1.png

图片1.png

图片1.png

矩阵的秩

图片1.png

秩与线性方程组的解的关系

图片1.png

正交阵

图片1.png

特征值和特征向量

图片1.png

特征值的性质

图片1.png

图片1.png

实对称阵不同特征值的特征向量正交

图片1.png

图片1.png

7.白化/漂白whitening

图片1.png

8.正定阵

图片1.png

9.QR分解

图片1.png

10.向量的导数

图片1.png

图片1.png

11.标量对向量的导数

图片1.png

zjy1040028623
关注
专栏目录
QR分解、RQ分解与SVD
Tilamy的博客
04-08 8969
QR分解、RQ分解与SVD分解整理 1.QR分解 QR分解将一个m x m的矩阵A分解为一个正交矩阵Q与一个上三角阵R之积。常常利用Householder变换来进行QR分解的计算。 Householder变换可以将一个向量某一维度之外的其他维度化为0.以一个3 x 3的矩阵A为例。为了便于描述，假定*代表没有变化的元素，+为变换的元素，带有下标的H代表一个Householder变换。 ...
《机器学习by周志华》学习笔记-线性模型-02对数几率回归与线性判别分析
vanilla698的博客
04-17 994
上一节我们考虑了线性模型的回归学习，但是想要做分类任务就需要用到上文中的广义线性模型。当联系函数连续且充分光滑，考虑单调可微函数。多分类与二分类的线性判别分析（LDA）
矩阵论——施密特正交化&求行列式&QR分解
weixin_40519529的博客
01-13 2469
施密特正交化and行列式求解andQR分解andUR分解
QR分解求线性方程组的解
2Know的博客
10-10 1万+
线性方程组的求解有很多方式，本文简单介绍采用QR分解求解线性方程组。仅介绍具体操作，不进行公示推导及数学证明，如有错误，欢迎指正。 Householder变换 本文主要介绍采用Householder变换进行QR分解的方式。 QR分解 在线性代数的很多问题中，需要将一个复杂矩阵分解为若干个适合分析的简单矩阵。在求取矩阵特征值、行列式以及线性方程组的求解等问题中经常回使用到矩阵分解...
QR分解
xueyingxue001的专栏
07-05 2万+
关于如何求一个矩阵A的特征向量X和特征值λ，在上学时我们通常使用如下方法：                       AX =λX =λIX （I：单位阵）                   => |A -λI| = 0                   => 求出λ                    =>代入AX =λX求出X          但在实际应用中这样没啥实际价值
机器学习（数据分析）数学基础——线性代数篇（七）QR分解的代码实现
小林同学的计算机学习
12-29 1218
QR分解
线性代数学习笔记——矩阵主要公式
pylittlebrat的博客
01-01 8280
文章目录转置可逆伴随秩 转置 (AT)T=A(A^T)^T=A(AT)T=A (A+B)T=AT+BT(A+B)^T=A^T+B^T(A+B)T=AT+BT (kA)T=kAT(kA)^T=kA^T(kA)T=kAT (AB)T=BTAT(AB)^T=B^TA^T(AB)T=BTAT 可逆 (A−1)−1=A;(kA)−1=1kA−1(k≠0);(A^{-1})^{-1}=A;(kA)^{-1}=\frac{1}{k}A^{-1}(k \ne0);(A−1)−1=A;(kA)−1=k1​A−1(k​=0)
MIT线性代数笔记 (到正定矩阵)
03-01
内容只到正定矩阵，如果是非数学专业的或是有入门机器学习相关领域需求的小伙伴，可以下载阅读，记录的较为详细，较难的知识点附有相关例题说明。 国内教材注重于计算与应用，从行列式的运算开始讲起，以与特征值...
线性代数-笔记.pdf
09-10
无论是计算机图形学中的变换，机器学习中的模型训练，还是量子力学中的波函数分析，线性代数都是理解和解决问题的关键。通过深入学习和理解线性代数，我们可以更好地掌握这些领域中的核心概念。
吴恩达机器学习系列课程笔记——第三章：线性代数回顾(Linear Algebra Review)
weixin_43895667的博客
07-16 381
吴恩达机器学习系列课程笔记——第三章：线性代数回顾(Linear Algebra Review)
MIT线性代数导论笔记
07-05
### MIT线性代数导论笔记 #### 第一课时：方程组的几何解释 在探讨线性代数的基本概念之前，我们首先通过几何的角度理解方程组的意义及其解的存在性。 **一、线性方程组的两种理解方式：行图像和列图像** 对于一...
白化Whitening
nwpuxhld
12-24 980
白化操作的目的是让我们的减少冗余信息，准确来说通过白化操作我们有两个目的： 每个特征之间关联性更少 每个特征有相同的方差 对于第一个目的来说，我们可以通过熟悉的PCA来实现。 PCA Principal Components Analysis (PCA) 是一个用来减少特征纬度的算法，它通过减少特征的纬度来减少冗余信息。 比如说，下图所示的一个特征纬度为2的点分类问题，我们可以看到数据的主要...
机器学习（七）白化whitening
热门推荐
hjimce的专栏
03-12 7万+
输入数据集X，经过白化处理后，新的数据X'满足两个性质： (1)特征之间相关性较低； (2)所有特征具有相同的方差。 其实我们之前学的PCA算法中，可能PCA给我们的印象是一般用于降维操作。然而其实PCA如果不降维，而是仅仅使用PCA求出特征向量，然后把数据X映射到新的特征空间，这样的一个映射过程，其实就是满足了我们白化的第一个性质：除去特征之间的相关性。因此白化算法的实现过程，第一步操作就是PCA，求出新特征空间中X的新坐标，然后再对新的坐标进行方差归一化
数据处理中白化Whitening的作用图解分析
whiteinblue的专栏
07-01 4万+
之前在看斯坦福教程中whiteining这一章时，
《机器学习》周志华-CH10（降维与度量学习）
一名混沌的大学生
10-07 790
仅是得到了训练样本在低维空间的坐标，对于新样本，将高维空间坐标作为输入，低维空间坐标作为输出，训练一个回归学习器来对新样本的低维空间坐标进行预测。利用流形在局部上与欧氏距离同胚这个性质，计算两点之间测地线距离的问题，就转变为计算近邻连接图上两点之间最短路径问题。在高维情形下出现的数据样本稀疏、距离计算困难等问题，是所有机器学习方法共同面临的困难，称为“若直接使用线性降维方法对三维空间观察到的样本进行降维，则将丢失原本的低维结构。对正交属性空间中的样本点，如何用一个超平面对所有样本进行表达？
基于模型的强化学习方法4大类灌水范式
最新发布
小小何先生的学习之旅
10-10 562
我们都知道基于模型的强化学习，就是从数据中学一个环境模型。举个例子，我们要控制一个马达，输入就是电流，输出就是转速。无模型强化学习就是随机采样，然后从数据中直接学习输入到输出的影射，研究重心在如何高效学习。基于模型的强化学习，希望从输入输出中学习一个马达的状态转移模型，然后智能体和这个模型交互。这里面有什么问题呢？问题就在于，这个模型一定会有误差。即使用数据去学习一个二次函数，也会有误差。如上图所示。
多模态大语言模型（MLLM）-Blip2深度解读
Jamence的博客
10-07 1401
Blip2深度解读
AI学习指南深度学习篇-生成对抗网络（GAN）简介
俞兆鹏的博客
10-08 1986
在人工智能领域，深度学习的进步使得计算机可以生成图像、音频和文本等多种形式的数据。其中，生成对抗网络（GAN）作为一种强大的生成模型，向我们展示了计算机如何“创造”。本篇文章将系统地介绍生成对抗网络的背景、基本原理以及它在深度学习中的重要性，重点讨论在图像生成、风格迁移等领域的实际应用。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值