数学知识——线性代数

目录 线性代数（1）矩阵和行列式 线性代数（2）线性方程组 线性代数（3） 线性代数（4） 线性代数（5）向量空间 线性代数（6） 线性代数（1）矩阵和行列式 线性代数（2）线性方程组 线性代数（3）题目 1，A ³=2 E ， B=A²-2A+E,证明B⁻¹存在，求B⁻¹ 解: B=（ A-E）² （ A-E）（ A²+A+E）=A³-E=2E-E=E ∴（ A-E）²（ A²+A+E）²=（ A-E）E（ A²+A+E）=E，即B（ A²+A+E）²=E ∴B⁻¹=（

肝三个通宵万字写的 线代的基础知识（一），浅出深入，让你看的明白，内容实在丰富，建议收藏好评，剩余内容正更新中。。。

线性代数的本质 将只停留在数值运算和公式的线性代数推进到可视化几何直观（Visual Geometric Intuition）的理解领悟上，本文为https://www.3blue1brown.com/的学习笔记。 1.向量究竟是什么 线性代数中最基础，最根源的组成部分就是向量。 一般来说有三种看待向量的观点，看似不同却有所关联，分别为在物理学，数学，计算机上的观点。

数学知识科普小讲堂：线性代数之矩阵的逆和伪逆

数学拾遗-研究生必备数学知识（All the Mathematics You Missed） 详见豆瓣书评：https://book.douban.com/subject/1256358/ ***************************************************************************************************...

矩阵只是matrix的一个翻译，matrix一词来自拉丁语，表示 “子宫”之意，子宫是孩子诞生之处，故也引申为各种事物的源出之处，即“发源地”。这个词后来被用在各种学科中。西尔维斯特将之命名为matrix，中文翻译为“矩阵”。从另外一个角度看，矩阵外括号包围着内部数据，形态上也像子宫孕育着即将诞生的婴儿一般。

线性代数是数学的一个分支，主要处理线性关系问题，在机器学习中扮演着至关重要的角色。

本文介绍了机器学习所需的数学知识学习策略，重点讲解了线性代数基础及其在机器学习四大支柱——回归、降维、密度估计和分类中的应用。文章采用自下而上与自上而下相结合的学习方式，系统梳理了向量、矩阵、线性方程组、概率论、优化等核心数学概念，并通过实际应用场景帮助读者理解理论知识。同时提供了练习题和编程教程，便于读者巩固知识并进行实践，最终实现对机器学习算法的深入掌握与应用。

序言 我们在深度学习-简介和 深度学习-历史背景中已经初步了解的深度学习。在我们真正开始学习深度学习前还需要做些准备工作。那就是学习应用数学和机器学习基础。想要理解深度学习这些是必不可少的。 我将在这篇文章中为大家介绍一部分与深度学习有关的线性代数。 代数 我们先来了解线性代数中几个重要概念：标量、向量、矩阵、张量 重要概念 标量（scalar）：标量是一个数。例如：1、2、3。我们使用斜体的小写变量名称表示标量，如a。在定义标量的时候会注明标量属于哪种类型的数。如：在定义实数标量的时候，可能会说

向量 1.1 基本概念 【向量（vector）】：一个同时具有大小和方向的几何对象。 【行向量（row vector）】：一个1×n的矩阵，即矩阵由一个含有n个元素的行所组成： enter image description here 【列向量（column vector）】：一个m × 1的矩阵，即矩阵由一个包含m个元素的列组成： enter image description here 行...

现先排除所有行向量中每行的每个元素都为0的向量(因为每个元素都为0的向量是线性相关的)，假设有1个全为0的，那么下一步构造一个矩阵A，A是1行m-1列的矩阵(矩阵乘法时作为左矩阵)，例A=[K1,K2,K3,Km-1]，这时A*B就可以A每一行元素都分别乘以B每一列元素了，A每一行元素乘以B每一列素的和都等以0，这样可列出方程组等式出来(这样矩阵乘法变成列出方程组了)，现在求解A矩阵的k每个值出来，如果K1=K2=K3=Km-1=0，那么矩阵B中就有m-1个行向量线性无关了;1)矩阵的行向量与列向量。

前面大概有2年时间，利用业余时间断断续续写了一个机器学习方法系列，和深度学习方法系列，还有一个三十分钟理解系列（一些趣味知识）；新的一年开始了，今年给自己定的学习目标——以补齐基础理论为重点，研究一些基础课题；同时逐步继续写上述三个系列的文章。 最近越来越多的研究工作聚焦研究多层神经网络的原理，本质，我相信深度学习并不是无法掌控的“炼金术”，而是真真实实有理论保证的理论体系； 本篇打算摘录整理

在数学中，分解通常指的是将一个复杂的对象或结构分解为更简单的部件或组件。这个概念在许多数学领域都有应用。在线性代数中，矩阵分解是常见的一个主题，我们通过分解矩阵来发现它不明显的性质。矩阵有许多种的分解方式：LU分解、QR分解、特征分解、奇异值分解等这篇文章将会其中两种分解方式：特征分解、奇异值分解。

这篇文章将为大家讲解范数和特殊类型的矩阵和向量。

的线性方程组中，在m维空间中，一个线性方程组表示为一个超平面(hyperlane),线性方程组的解表示为这些超平面的交点。在四维及更高维度的空间中，超平面是一个 n-1 维的子空间。所以线性方程组的解也只有三种可能:无解、一个解、无限个解。这是因为一组向量的线性组合的生成子空间的维度取决于这组向量的向量数量。是的，这两个方程就是二维平面上的两个直线方程。所以这个方程组的解就是这两条直线的交点坐标。是线性方程组的两个解，则存在解。分别是对应直线上的点的坐标。的列空间中，那么该向量对应的。

我们已经在线性代数1中讲解了四个重要概念：标量、向量、矩阵和张量。以及转置、矩阵相加、标量与矩阵相乘或相加和向量和矩阵相加。这篇文章将为大家讲解矩阵乘积以及线性方程组。