【机器学习的线性代数基础】行列式、矩阵的线性运算、向量、线性方程组、矩阵的特征值和特征向量、二次型等
机器学习的数学基础
线性代数
文章目录
- 机器学习的数学基础
- 线性代数
- 行列式
- 矩阵
- 向量
- 1.有关向量组的线性表示
- 2.有关向量组的线性相关性
- 3.有关向量组的线性表示
- 4.向量组的秩与矩阵的秩之间的关系
- 5.n维向量空间的基变换公式及过渡矩阵
- 6.坐标变换公式
- 7.向量的内积
- 8.Schmidt正交化
- 9.正交基及规范正交基
- 线性方程组
- 1.克莱姆法则
- 2. n阶矩阵A可逆⇔Ax=0只有零解。⇔∀b,Ax=b总有唯一解,一般地,r(A_(m×n))=n⇔Ax=0只有零解。
- 3.非奇次线性方程组有解的充分必要条件,线性方程组解的性质和解的结构
- 4.奇次线性方程组的基础解系和通解,解空间,非奇次线性方程组的通解
- 矩阵的特征值和特征向量
- 二次型
行列式
1.行列式按行(列)展开定理
矩阵
矩阵的线性运算
1.矩阵的加法
2.矩阵的数乘
3.矩阵的乘法
4. AT、A(-1)、A^*三者之间的关系
5.有关A^*的结论
6.有关A^(-1)的结论
7.有关矩阵秩的结论
8.分块求逆公式
向量
1.有关向量组的线性表示
2.有关向量组的线性相关性
3.有关向量组的线性表示
4.向量组的秩与矩阵的秩之间的关系
5.n维向量空间的基变换公式及过渡矩阵
6.坐标变换公式
7.向量的内积
8.Schmidt正交化
9.正交基及规范正交基
向量空间一组基中的向量如果两两正交,就称为正交基;若正交基中每个向量都是单位向量,就称其为规范正交基。