线性空间与基
线性映射与矩阵
- 什么是矩阵
- 矩阵作为线性映射的代数表达式
- 线性方程的几何意义(拉伸, 反转, 旋转)
线性回归(多种角度求解)
- 矩阵模型
- 线性回归作为方程求解问题(代数)
- 线性回归作为几何逼近问题(几何)
- 最小二乘(统计)
- 极大似然估计(统计)
线性代数的理解
- A * x 的几何意义
- 矩阵乘法在计算中的优势
线性空间与基
1. 线性空间
2. 基
3. 坐标空间(important)
小结 :
1. 线性空间是一种结构 -> 向量集合 + 结构(加法以及乘法运算结构)
2. 任何一个向量可以被不同的基表示, 线性代数的核心问题是如何选择一组好的基, 来简化问题
3. 基和坐标系是等价的, 基的方向 = 坐标系的方向
线性映射与矩阵
1. 线性映射
说明 :
(1) 和的映射 = 映射的和
(2) 积的映射 = 映射的积
小结 :
(1) 线性映射指的就是两个线性空间的关系
(2) 线性变换 自身到自身的映射
2. 线性映射的矩阵描述
小结 :
(1) 矩阵可以用来描述线性映射(线性变换), 矩阵是作为线性映射的代数表达式
3. 几何变换 : 拉伸, 反转, 旋转
线性回归(多种角度求解)
1. 矩阵模型
X 代表特征空间向量
β 代表特征系数向量
Y 代表 label/回归值
2. 线性回归作为方程求解问题(代数)
3. 线性回归作为几何逼近问题(几何)?
还是有疑问?
4. 最小二乘法(求导==0)?
why?
5. 极大似然估计?
线性代数的理解
1. A * x的几何意义
A 代表 特征值矩阵
x 代表 特征系数矩阵
A*x的几何意义 : 列向量的线性组合
2. 矩阵乘法的计算优势