档案 | 线性代数

矩阵分解是一种将矩阵分解为其组成部分以简化一系列更复杂运算的有用工具。也许最常用的矩阵分解类型是特征分解，它将矩阵分解为特征向量和特征值。这种分解在机器学习中使用的方法中也起着作用，[…]

许多复杂的矩阵运算无法通过计算机的有限精度有效地或稳定地解决。矩阵分解是将矩阵分解为组成部分的方法，这些组成部分使计算更复杂的矩阵运算更加容易。矩阵分解方法，也称为矩阵因子分解方法，是计算机线性代数的基础，即使 […]

在深度学习中，经常会看到大量关于张量的讨论，认为张量是数据结构的基础。张量甚至出现在谷歌旗舰机器学习库的名称中：“TensorFlow”。张量是线性代数中使用的一种数据结构，就像向量和矩阵一样，您也可以对张量进行算术运算。在 […]

矩阵运算用于描述许多机器学习算法。某些运算可直接用于求解关键方程，而其他运算则提供了有用的简写或基础，用于描述和使用更复杂的矩阵运算。在本教程中，您将发现用于描述 […] 的重要线性代数矩阵运算。

许多线性代数都涉及向量和矩阵的运算，并且存在许多不同类型的矩阵。在开始学习线性代数时，特别是与机器学习相关的线性代数部分，您可能会一次又一次地遇到几种类型的矩阵。在本教程中，您 […]

矩阵是线性代数的基础元素。矩阵在整个机器学习领域中，用于描述算法和过程，例如算法训练时的输入数据变量 (X)。在本教程中，您将了解线性代数中的矩阵以及如何在 Python 中操作它们。完成本教程后，您 […]

计算向量的长度或大小通常是必需的，它可以直接作为机器学习中的正则化方法，或者作为更广泛的向量或矩阵运算的一部分。在本教程中，您将了解计算向量长度或大小的不同方法，称为向量范数。完成本教程后，您将了解：[…]

向量是线性代数的基础元素。向量在整个机器学习领域中，用于描述算法和过程，例如算法训练时的目标变量 (y)。在本教程中，您将了解用于机器学习的线性代数向量。完成本教程后，您将知道：什么是 […]

数组是机器学习中使用的主要数据结构。在 Python 中，NumPy 库中的数组，称为 N 维数组或 ndarray，被用作表示数据的主要数据结构。在本教程中，您将了解 NumPy 中的 N 维数组，用于在 Python 中表示数值和操作数据。完成本教程后，您 […]

为什么要学习机器学习的线性代数？线性代数是一门数学领域，可以称之为数据的数学。它无疑是机器学习领域的支柱，许多人建议将其作为开始机器学习之前的先修科目。这是一个误导性的建议，因为 […]