线性代数 - 几何原理

相关文章

• 简单的线性代数与几何

  最后编辑于 2024-01-04 本文中所有作为下标的代数均为正整数 存储 向量是表示方向的量, 在不同维度的下向量的数据长度有所不同； 记录时以轴的顺序记录在不同轴上的坐标 : { x(第0轴的坐标) , y(第1轴的坐标), z(第2轴的坐标)…} 代码中使用数值的指针并携带长度属性代替大部

  2024年02月02日

  浏览(35)
• 

  线性代数 | 机器学习数学基础

  前言 线性代数 （linear algebra）是关于向量空间和线性映射的一个数学分支。它包括对线、面和子空间的研究，同时也涉及到所有的向量空间的一般性质。 本文主要介绍 机器学习 中所用到的线性代数 核心基础概念 ，供读者学习阶段查漏补缺或是 快速学习参考 。 线性代数

  2024年01月21日

  浏览(53)
• 

  线性代数的本质——几何角度理解

  B站网课来自 3Blue1Brown的翻译版，看完醍醐灌顶，强烈推荐： 线性代数的本质 本课程从几何的角度翻译了线代中各种核心的概念及性质，对做题和练习效果有实质性的提高，下面博主来总结一下自己的理解 在物理中的理解是一个有 起点和终点的方向矢量 ，而在计算机科学中

  2024年02月02日

  浏览(53)

• 线性代数与机器学习的紧密关系

  线性代数和机器学习之间的关系是非常紧密的。线性代数是一门数学分支，它研究的是如何解决系统中的线性方程组问题。机器学习则是一门跨学科的研究领域，它旨在让计算机程序能够从数据中自动发现模式、关系和规律，并利用这些发现来进行预测、分类和决策。 在过去

  2024年01月16日

  浏览(30)
• 

  机器学习-线性代数-矩阵与空间映射

  一个 m × n m times n m × n 的大小矩阵，直观上看是 m × n m times n m × n 的数字按矩阵排列。 从向量的角度看，看做是 n n n 个 m m m 维列向量从左到右的排列，也可以看做 m m m 个 n n n 维行向量从上到下的叠放。 方阵：行数等于列数 对称矩阵：原矩阵与其转置矩阵相等： A = A

  2024年02月07日

  浏览(50)
• 

  线性代数行列式的几何含义

  行列式可以看做是一系列列向量的排列，并且每个列向量的分量可以理解为其对应标准正交基下的坐标。 行列式有非常直观的几何意义，例如： 二维行列式按列向量排列依次是 a mathbf{a} a 和 b mathbf{b} b ，可以表示 a mathbf{a} a 和 b mathbf{b} b 构成的平行四边形的面积 ∣ a b ∣

  2024年02月11日

  浏览(36)
• 

  机器学习-线性代数-2-矩阵与空间映射

  一个 m × n m times n m × n 的大小矩阵，直观上看是 m × n m times n m × n 的数字按矩阵排列。 从向量的角度看，看做是 n n n 个 m m m 维列向量从左到右的排列，也可以看做 m m m 个 n n n 维行向量从上到下的叠放。 方阵：行数等于列数 对称矩阵：原矩阵与其转置矩阵相等： A = A

  2024年02月15日

  浏览(31)
• 

  机器学习-线性代数-向量、基底及向量空间

  理解 直观理解 行向量：把数字排成一行A = [ 4   5 ] [4~ 5] [ 4   5 ] 列向量：把数字排成一列A =   [ 4 5 ] left [ begin{matrix} 4 \\\\ 5 \\\\ end{matrix} right ]   [ 4 5 ​ ] 几何意义 默认在基底条件下(直角坐标系)中的坐标表示的一个点，也可以理解以原点为起点，到目标终点A的有向线段

  2024年02月06日

  浏览(47)

• 机器学习-线性代数-逆映射与向量空间

  矩阵的本质是映射。对于一个 m × n m × n m × n 的矩阵，乘法 y = A x y = Ax y = A x 的作用就是将向量从 n n n 维原空间中的 x x x 坐标位置，映射到 m m m 维目标空间的 y y y 坐标位置，这是正向映射的过程。那么，如果已知结果向量的坐标 y y y 去反推原向量的坐标 x x x ，这个过程就

  2024年02月09日

  浏览(39)

• 机器学习-线性代数-4-解方程组

  对于如下方程组： a 11 x 1 + a 12 x 2 + . . . + a 1 n x n = b 1 a 21 x 1 + a 22 x 2 + . . . + a 2 n x n = b 2 . . . . a m 1 x 1 + a m 2 x 2 + . . . + a m n x n = b m a_{11}x_1 + a_{12}x_2 + ... + a_{1n}x_n = b1\\\\ a_{21}x_1 + a_{22}x_2 + ... + a_{2n}x_n = b2\\\\....\\\\a_{m1}x_1 + a_{m2}x_2 + ... + a_{mn}x_n = bm a 11 ​ x 1 ​ + a 12 ​ x 2 ​ + ... +

  2024年02月12日

  浏览(34)