档案 | 线性代数

包含大部分零值的矩阵称为稀疏矩阵，这与大多数值都非零的稠密矩阵不同。大型稀疏矩阵在通用和应用机器学习中都很常见，例如包含计数的数据、将类别映射到计数的编码数据，甚至在整个子领域中 […]

大小不同的数组不能相加、相减或进行一般算术运算。克服这一问题的方法是将较小的数组复制，使其维度和大小与较大的数组相同。这称为数组广播，在 NumPy 中进行数组算术运算时可用，这可以大大减少 […]

线性代数是数学的一个子领域，涉及向量、矩阵和线性变换。它是机器学习领域的关键基础，从用于描述算法操作的符号到代码中算法的实现。尽管线性代数是机器学习领域不可或缺的一部分，但紧密的联系 […]

有许多书籍介绍了线性代数领域。大多数是针对本科生的教科书，充满了理论上的题外话，这些题外话对该领域的初学者或从业者几乎没有相关性，而且大多令人分心。在这篇文章中，您将了解“无废话线性代数指南”一书 […]

线性回归是一种对一个或多个自变量与因变量之间关系进行建模的方法。它是统计学的基石，通常被认为是一种很好的入门机器学习方法。它也是一种可以使用矩阵表示法重构并通过矩阵运算求解的方法。在本教程中 […]

一种重要的降维机器学习方法称为主成分分析。它是一种利用线性代数和统计学的简单矩阵运算来将原始数据投影到相同或更少维度的方法。在本教程中，您将了解主成分分析机器学习方法 […]

基础统计学是应用机器学习中有用的工具，可以更好地理解您的数据。它们也为更高级的线性代数运算和机器学习方法提供了基础，例如协方差矩阵和主成分分析。因此，掌握 […]

矩阵分解，也称为矩阵因子分解，包括使用给定矩阵的组成元素来描述它。也许最著名和最广泛使用的矩阵分解方法是奇异值分解，简称 SVD。所有矩阵都有 SVD，这使其比特征分解等其他方法更稳定。因此，它常用于 […]

在机器学习中您需要使用的 NumPy 中的所有线性代数运算。名为 NumPy 的 Python 数值计算库提供了许多对机器学习从业者有用的线性代数函数。在本教程中，您将了解处理向量和矩阵的关键函数，您可能 […]

如何获得机器学习线性代数方面的帮助？线性代数是一门数学领域，也是机器学习领域的重要支柱。对于初学者，或对于已数十年未接触该主题的从业者来说，这可能是一个具有挑战性的主题。在这篇文章中，您将了解如何 […]