02 线性代数

线性代数

1.1 标量

  • 简单操作


    c = a + b

    c = a * b

    c = sin a

  • 长度

02 线性代数_第1张图片

02 线性代数_第2张图片

1.2 向量

  • 简单操作

    c = a + b where ci = ai + bi


    c = α * b where ci = αbi


    c = sina where ci = sinai

  • 长度

    02 线性代数_第3张图片


- c = a + b

02 线性代数_第4张图片

  • c = α * b

    02 线性代数_第5张图片

  • 点乘

    在这里插入图片描述

  • 正交

    在这里插入图片描述
    02 线性代数_第6张图片

1.3 矩阵

  • 简单操作

    C = A + B where Cij = Aij + Bij

    C = α * B where Cij = α * Bij

    C = sinA where Cij = sin Aij

  • 乘法(矩阵乘以向量)

    在这里插入图片描述
    02 线性代数_第7张图片
    02 线性代数_第8张图片

  • 乘法(矩阵乘以矩阵)

    02 线性代数_第9张图片

  • 范数

    在这里插入图片描述

取决于如何衡量b和c的长度

  • 常见范数

    矩阵范数:最小的满足的上面公式的值

    Frobenius范数

    在这里插入图片描述

- 特殊矩阵
(1)对称和反对称

02 线性代数_第10张图片
02 线性代数_第11张图片

(2)正定

在这里插入图片描述

(3)正交矩阵

  1. 所有行都相互正交

  2. 所有行都有单位长度


    在这里插入图片描述

  3. 可以写成

    在这里插入图片描述

(4)置换矩阵

在这里插入图片描述

置换矩阵是正交矩阵

(4)特征向量和特征值

  • 不被矩阵改变方向的向量

    02 线性代数_第12张图片

  • 对称矩阵总是可以找到特征向量

按特定的轴求和

02 线性代数_第13张图片

你可能感兴趣的:(深度学习,线性代数,人工智能)