- 综合排序
- 最热优先
- 最新优先
- 来自专栏Golang开发
线性代数——(3)矩阵
线性变换 1 直线依旧是直线 2 原点必须保持固定 矩阵定义Matrix 方阵 image.png 上三角和下三角 image.png 对角矩阵 image.png 矩阵相等 image.png 矩
77161发布于 2019-05-28 - 来自专栏全栈程序员必看
线性代数投影矩阵的定义_线性代数a和线性代数b
P = P T P=P^T P=PT，对称矩阵一定可以特征值分解 2. r a n k ( P ) = 1 rank(P)=1 rank(P)=1，由单个向量张开的子空间，秩为1 3. P=PT，对称矩阵一定可以特征值分解 2. r a n k ( P ) = r a n k ( A ) rank(P)=rank(A) rank(P)=rank(A)，由 A A A张开，故等秩 3.
96720编辑于 2022-11-09 - 来自专栏iOSDevLog
线性代数基础
的特征值的绝对值的最大值 范数作用 计算向量/矩阵相似程度 计算向量距离 迹 在线性代数中，一个 ?
1.4K30发布于 2019-07-24 - 来自专栏图灵人工智能
线性代数的历史
一般理工科专业在本科都要学习微积分、线性代数、概率统计三门数学课程。微积分和概率统计两门课程的用途在学习过程中立竿见影。可是线性代数有什么用，初学者常常摸不到头脑。 若干年之后对数学学科有了更深的整体性认识，返回头再看线性代数的确是非常重要。相信很多理工科学生是读研甚至工作之后才意识到线性代数的重要性。 线性代数非常重要，但已有的数学史文献似乎相对较少。 最早的关于行列式的出版物是麦克劳林的“Treatise of algebra”，其中用来解 2 \times 2 和 3 \times 3 方程组。不久就有了克莱姆法则。 但 20 世纪之后行列式不再那么时髦，因为线性代数主要结果的证明不再依赖于行列式。 3 矩阵和线性变换 矩阵是高斯为简化线性变换的书写引入的。 他事实上也引入了矩阵的乘法（ 2 \times 2 和 3\times 3 情形）。他心中知道线性变换的复合。
95310编辑于 2024-04-01 - 来自专栏BioIT爱好者
线性代数知识汇总
最近在磕 PCA 主成分分析的原理，在理解协方差矩阵的特征向量和特征值部分，对其计算的数学原理的理解上碰到了不少关于线性代数的问题，而在大学时期接触的线性代数到现在都已经忘得七七八八。 看到数学算法俱乐部的这篇线性代数总结，非常不错，作为 PCA 原理的基础知识，这里分享一下。后面有空再给大家总结一下个人在学习 PCA 主成分分析的一些理解。 线性代数知识图谱 线性代数是代数学的一个分支，主要处理线性关系问题。线性关系意即数学对象之间的关系是以一次形式来表达的。 性质2 互换行列式的两行（列）,行列式变号 推论 如果行列式有两行（列）完全相同，则此行列式为零 性质3 行列式的某一行（列）中所有的元素都乘以同一个倍数k，等于用数k乘以此行列式. 本节主要考虑如何用低阶行列式来表示高阶行列式. 3.
2K30发布于 2021-10-15 - 来自专栏产品经理的人工智能学习库
线性代数（linear algebra）
向量空间是现代数学的一个重要课题；因而，线性代数被广泛地应用于抽象代数和泛函分析中；通过解析几何，线性代数得以被具体表示。线性代数的理论已被泛化为算子理论。 由于科学研究中的非线性模型通常可以被近似为线性模型，使得线性代数被广泛地应用于自然科学和社会科学中。 查看详情 维基百科版本 线性代数是关于线性方程的数学分支，如 image.png 线性函数如 image.png 和他们通过矩阵和向量空间的表示。线性代数几乎是所有数学领域的核心。 例如，线性代数是几何的现代表示中的基础，包括用于定义基本对象，例如线，平面和旋转。此外，功能分析基本上可以视为线性代数在函数空间中的应用。 线性代数也用于大多数科学和工程领域，因为它允许对许多自然现象进行建模，并使用这些模型进行有效计算。对于不能用线性代数建模的非线性系统，线性代数通常用作一阶近似。 查看详情
1.1K10发布于 2019-12-18 - 来自专栏计算机视觉SLAM情报站
线性代数的艺术
最近，一位日本老哥将MIT大佬 Gilbert Strang 的线性代数课程中关于矩阵的各种操作进行了可视化，下图就是他发布的推文，项目名为“The Art of Linear Algebra” .
2.1K30编辑于 2022-12-31 - 来自专栏人工智能
人工智能AI（3）：线性代数之向量和矩阵的范数
3矩阵的范数 矩阵的范数( matrix norms ) 1-范数：， 列和范数，即所有矩阵列向量绝对值之和的最大值，matlab调用函数norm(A, 1)。
2K80发布于 2018-03-02 - 来自专栏算法之名
线性代数整理向量
向量 线性代数是从研究一个数拓展到一组数 一组数的基本表示方法——向量(Vector) 向量是线性代数研究的基本元素 一组数的作用：最基本的出发点：表示方向 ? 它的终点是(4,3) ? 而它的终点是(4.6,1) 在三维空间中也是如此 ? 在线性代数的世界里，起始点不重要 ? 在这个图中，从(-1,-1)到(3,2)和从(0,0)到(4,3)是一样的。 为了研究方便，我们定义向量都从原点起始，但是顺序是重要的，很显然(4,3)和(3,4)是不同的。 向量是一组有序的数。 2 666 所以这是一个五维的向量(120,3,2,2,666),此时向量就是一组数，这组数的含义由使用者定义。 个别情况下，尤其是几何学中，我们会考虑向量的起始点 行向量和列向量 (3,4) ? 通常教材，论文，提到向量，都指列向量。
61930发布于 2020-11-03 - 来自专栏C++开发学习交流
【C++】开源：Eigen3线性代数模板库配置使用
title=Main_Page Eigen3 是一个开源的 C++ 模板库，用于线性代数和数值计算。 它提供了高效、灵活和易于使用的矩阵、向量和线性代数运算功能，广泛应用于科学计算、机器学习、图像处理和工程领域等。重点是：轻量级，只包含头文件。 这使得 Eigen3 在数值计算中具有出色的性能，并且比某些其他常见的线性代数库更快。 2.易于使用：Eigen3 提供了直观和简洁的 API，使得编写线性代数代码变得容易。 3.丰富的功能：Eigen3 提供了许多功能来支持常见的线性代数操作，包括矩阵和向量的基本运算（加、减、乘、除）、矩阵分解（LU、QR、SVD 等）、特征值和特征向量计算、线性方程组求解、矩阵代数操作（ 转置、逆、行列式等）以及各种线性代数算法。
1.4K10编辑于 2024-07-24 - 来自专栏数据派THU
编程与线性代数
来源：数学中国本文约5400字，建议阅读10+分钟向量模型是整个线性代数的核心，向量的概念、性质、关系、变换是掌握和运用线性代数的重点。 先来了解线性代数是什么东东？ 在大学数学学科中，线性代数是最为抽象的一门课，从初等数学到线性代数的思维跨度比微积分和概率统计要大得多。 说到线性代数是为了比初等数学更容易地分析和解决问题，下面我们通过一个例子来实际感受一下它的好处： 给定三角形的顶点(x1, y1), (x2, y2), (x3, y3)，求三角形的面积。 ： area = abs(1/2 * cross_product((x2 - x1, y2 - y1), (x3 - x1, y3 - y1))) 注：abs表示取绝对值，cross_product表示两个向量的叉积 矩阵的语义不止一种，在不同的环境中有不同的语义，在同一环境中也可以有不同的解读，最常见的包括：1)表示一个线性变换；2)表示列向量或行向量的集合；3)表示子矩阵的集合。
73210编辑于 2023-02-24 - 来自专栏我的充电站
线性代数与解析几何——Part3 线性空间 & 线性变换
3. 对于同构，有如下定理： 定理5.7.1 设 V_1, V_2, V_3 是数域 F 上的线性空间，则有： 若 dimV_1 = n ，则 V_1 与 n 维数组空间 F^n 同构； 设 \sigma 是 V_1 \rightarrow V_2 的同构映射，则 \sigma^{-1} 是 V_2 \rightarrow V_1 的同构映射； 若 V_1 与 V_2 同构， V_2 与 V_3 同构， 则 V_1 与 V_3 同构。 \Phi(\mathcal{A}) \Phi(\mathcal{B} \circ \mathcal{A}) = \Phi(\mathcal{B}) \cdot \Phi(\mathcal{A}) 3.
1K10编辑于 2022-11-29 - 来自专栏AutoML(自动机器学习)
线性代数之——向量空间
此外，如果\(\forall{x,y}∈\mathcal{G}:x⊗y=y⊗x\),那么此时\(G=(\mathcal{G,⊗})\)是Abelian Group(阿尔贝群)。
1.2K30发布于 2018-12-27 - 来自专栏zingpLiu
机器学习之线性代数
说明 题目是优达学城机器学习入门线性代数作业。下面是我的实现。 工具为jupyter notebook，不用该工具请自行导入相关依赖。 创建一个4*4的单位矩阵 在创建矩阵之前注意选择seed: # 任意选一个你喜欢的整数，这能帮你得到稳定的结果 seed = 9999 创建矩阵： # 这个项目设计来帮你熟悉 python list 和线性代数 # 你不能调用任何NumPy以及相关的科学计算库来完成作业 # 本项目要求矩阵统一使用二维列表表示，如下： A = [[1,2,3], [2,3,3], [1,2,5]] B = [[1,2,3,5], [2,3,3,5], [1,2,5,1]] # 向量也用二维列表表示 C = [[1], [2], [3]] #TODO ValueError('the parameter scale can not be zero') else: M[r] = [scale*i for i in M[r]] （3）
96210发布于 2018-09-05 - 来自专栏HAUE_LYS'Blog
线性代数（持续更新中）
---- 2.2 三元方程组及其矩阵 ---- 设方程组有 3 个未知数，一共有 3 个方程： 则有方程组 \begin{cases}2x&-y&&=0\\-x&+2y&-z&=-1\\&-3y&+4z ---- 列图像的解释： 观察列图像的向量 col_1,col_2,col3 的组合。 用列向量线性组合的观点阐述：col_1,col_2,col_3 通过所有的线性组合所得到的向量 b_i ，是否能够铺满整个空间？ 对上面这个例子，答案是肯定的。 例如：col_3=col_1+col_2 不管怎么组合，这三个向量的结果都逃不出其所在的平面。 因此当 b 在平面内，方程组有解，而当 b 不在平面内，这三个列向量就无法构造出 b。 = \begin{bmatrix}12\\7\end{bmatrix} \end{aligned} ---- 例2： 图片 解： 图片 3.
1.3K10编辑于 2022-09-28 - 来自专栏TechFlow
线性代数精华3——矩阵的初等变换与矩阵的秩
首先，我们把(1)式加到(2)式，把(4)式加到(3)式，把(1)式乘6加到(4)式可以得到： ? 我们再把(4)式减去(2)式乘5，可以解出x4=−3： ? 我们把x4=−3带入，可以解出 ? 。 此时，方程组有唯一解 (3) 如果R(A) = R(B) = r < n，则B中的 ? ，我们写出对应的解： ? ? 由于参数 ? 可以取任意值，所以方程有无数解。
2.5K10发布于 2020-03-05 - 来自专栏全栈程序员必看
线性代数 行列式
线性代数分为六大块： 行列式 矩阵 向量 方程组 特征值 二次型 行列式 一、行列式的概念 1、二、三阶行列式 2、排列、逆序、 逆序数 3、n阶行列式概念 二、行列式的性质 三、按行（列）展开公式 1、代数余子式 2、展开公式 四、克拉默法则 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/
55110编辑于 2022-07-22 - 来自专栏HAUE_LYS'Blog
线性代数（持续更新中）
---- 2.2 三元方程组及其矩阵 ---- 设方程组有 3 个未知数，一共有 3 个方程： 则有方程组 \begin{cases}2x&-y&&=0\\-x&+2y&-z&=-1\\&-3y&+4z {bmatrix}3\\4\\5\end{bmatrix}=3v_1+4v_2+5v_3。 {bmatrix}0&4&1\end{bmatrix} \\&= \begin{bmatrix} -3 + 3 + 0&-3\times 2 + 1\times 8 + 0&-3\times 1 + 1 }\\\\ &= \begin{bmatrix} 7\times 1+10\times 3 & 8\times 1 + 11\times 3 & 9\times 1 + 12\times 3\\ }{c|c}A_1B_1+A_2B_3&A_1B_2+A_2B_4\\\hline A_3B_1+A_4B_3&A_3B_2+A_4B_4\end{array}\right] 在分块合适的情况下，可以简化运算
85260编辑于 2023-09-04 - 来自专栏AI研习社
博客 | MIT—线性代数（下）
线性代数的角度：将样本数据代入假设函数中，构建线性方程组Ax=b。若样本个数明显多于特征维度，则b很有可能没有落在A的列空间中，因此方程组无解。 3、 行列式及其性质： 矩阵行列式的值中包含了矩阵尽可能多的信息。有关行列式的计算，有3点基本性质和7点衍生性质，一切有关行列式的计算都包含在上述10条简单的性质里。 该差分方程最简单的应用就是使用线性代数的方法求解斐波那契数列问题。 8、 微分方程与exp(At)：本节首先使用线性代数的方法求解通解为 exp(λ·t) 的微分方程。 但现实中遇到的矩阵经常是长方形矩阵，这时就需要考虑3种情况，列满秩r=n，行满秩r=m与一般秩r<n&&r<m。 18、 观后感：MIT线性代数至此就全部学完了，从章节标题的安排上就不难看出，该课程与国内线性代数教材安排完全不同，教授在课堂上的讲解也是深入浅出，有种线性代数三观被刷新的感觉，机器学习预备内容的短板也填补圆满
1.8K20发布于 2018-12-28 - 来自专栏AI研习社
博客 | MIT—线性代数（上）
社长提醒：本文的相关链接请点击文末【阅读原文】进行查看 在中国不知所以的《线性代数》教材的目录排版下，当前大多数本土毕业生均能熟练使用公式计算行列式或求解线性方程组，却丝毫不能体会线性代数真正内涵的精髓所在 包括我在内，在学习机器学习那满篇的矩阵表示更是让人头痛欲裂，这让我事实上感受到了线性代数才是机器学习中最重要的数学工具，因此不得不静下心来按照网易名校公开课—“MIT线性代数”重学一遍，受到的启发超乎想象 1、 方程组的几何解释：一个特定的线性方程组可以从3个角度去观察：行视图，列视图和矩阵表示。 举例来说，对3*3矩阵而言，一般矩阵的维数是9，对称矩阵的维数是6，单位矩阵的维数是3。对秩1矩阵的研究主要在于可以将任意秩为r的矩阵分解为r个秩1矩阵的乘积。 12、 图和网络：线性代数的理论并非凭空捏造，它们来自实际问题，描述问题的拓扑结构，而线性代数通常就适合图和网络问题中的数学建模。
3K20发布于 2018-12-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号