第十一节-线性代数回顾理解(1)
在接下来的一组课程中,我会对线性代数进行一个快速的复习回顾。如果你从来没有接触过向量和矩阵,那么这课 件上所有的一切对你来说都是新知识,或者你之前对线性代数有所了解,但由于隔得久了,对其有所遗忘,那就请 学习接下来的一组课程,我会快速地回顾你将用到的线性代数知识。
通过它们,你可以实现和使用更强大的线性回归模型。事实上,线性代数不仅仅在线性回归中应用广泛,它其中的 矩阵和向量将有助于帮助我们实现之后更多的机器学习模型,并在计算上更有效率。正是因为这些矩阵和向量提供 了一种有效的方式来组织大量的数据,特别是当我们处理巨大的训练集时,如果你不熟悉线性代数,如果你觉得线 性代数看上去是一个复杂、可怕的概念,特别是对于之前从未接触过它的人,不必担心,事实上,为了实现机器学 习算法,我们只需要一些非常非常基础的线性代数知识。通过接下来几个课程,你可以很快地学会所有你需要了解 的线性代数知识。具体来说,为了帮助你判断是否有需要学习接下来的一组课程,我会讨论什么是矩阵和向量,谈 谈如何加、减 、乘矩阵和向量,讨论逆矩阵和转置矩阵的概念。
矩阵的维数即行数×列数
矩阵元素(矩阵项):
Aij指第 i行,第 列的元素。
向量是一种特殊的矩阵,讲义中的向量一般都是列向量,如:
为四维列向量(4×1)。
如下图为1索引向量和0索引向量,左图为1索引向量,右图为0索引向量,一般我们用1索引向量。
3.2 加法和标量乘法
参考课程: 3 - 2 - Addition and Scalar Multiplication (7 min).mkv
矩阵的加法:行列数相等的可以加。例:
矩阵的乘法:每个元素都要乘
组合算法也类似。
,