Coursera 机器学习 -- Matrices and Vectors 笔记(线性代数复习课)【第一周】

本文主要是介绍Coursera 机器学习 -- Matrices and Vectors 笔记(线性代数复习课)【第一周】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Matrices and Vectors

Matrices(矩阵)

矩阵:是由数字组成的,并且在[]中的。它是由行和列组成。
例如下图中,左侧就是一个4×2的矩阵,而右侧是一个2×3的矩阵,而通常表示一个矩阵是几行几列的写法便是R^4×2,代表着它是4×2的矩阵。

这里写图片描述

再看下图,通过A来标识具体矩阵的某个元素,例如A11=1402,代表的就是A这个矩阵的第一行,第一列的元素是1402,A41=147,代表第四行,第一列的值,假如A43,下图矩阵并没有第三列,所以你可以认为它是错误的,没有定义的。

这里写图片描述

Vector(向量)

向量:是一种特殊的矩阵,只有一列的矩阵。
例如下图,代表的就是一个4维向量,可以用R^4来表示:

这里写图片描述

如何来表示某一个向量中的元素呢?
如下图,y1=460,y2=232,是用yi来定义某一行的元素值:

这里写图片描述

而在向量中有两种定义其索引的形式,如下图:

这里写图片描述

而在本课程中,教授以1开始的索引为例子,但在实际设计到机器学习的算法中,应该是以0开始。
tips:平时习惯用大写字母来代表矩阵,小写字母代表向量.

Addition and Scalar Mulitplication(标量的加减法,乘法)

Matrix Addition(矩阵加法)

如下所示:
矩阵的加法,若两个维度相同的矩阵,就是对应的元素相加即可,若维度不相同,则会出现错误,也就是A与B的行数不同,则不可以进行运算。

这里写图片描述

Scalar Multiplication(标量乘法)

若是一个标量与一个矩阵做乘法,则是矩阵的每个元素都乘上标量即可。在乘法的顺序上,可以相互调换,不影响。与此同时,除法也是一样的。如下图:

这里写图片描述

Matrix-Vector Multiplication(矩阵-向量的乘法运算)

举例:
先用一个矩阵和一个向量相乘,如下图,看了就懂系列,结果很容易算出来:

这里写图片描述
用公式写出来就是(A代表矩阵,b代表向量):

A11xb11 + A12xb21 + A13xb31 + A14xb41 
A21xb11 + A22xb21 + A23xb31 + A24xb41 
......  +  ...... +  .....  +  ......

结论:如果A矩阵是3x2,B向量是2x1 ,最终产生的矩阵3x1维度,也可叫向量,因为结果是1列的矩阵。即mxn的矩阵 X nx1的向量 = m行的向量

下面阐述了,如果有个预测房价的hypothesis函数,而左侧有一批房子的大小数据,首先要构建一个矩阵(用一列1和数据组成的,目的是为了构造与向量中的行数相同的列数,这样才能相乘操作)。还需要构建一个二维向量(这里的参数是hypothesis的θ0和θ1),使这两组数据相乘,而在hypothesis函数中的x,对应的就是房子的大小,代入矩阵中可以看到hθ(2104)这样的矩阵结果,对应的就是房价。

这里写图片描述

矩阵乘法模拟出来的公式:

prediction = DataMatrix * Paramties
prediction:预测的房价(预测值)
DataMatrix:房子的大小(数据集)
Paramties:hypothesis的参数(θ01)

总结:这样的公式好处就是在编程语言中,省去了大量的循环遍历,提升了高效的数据处理以及计算能力。

Matrix-Matrix Multiplication(矩阵-矩阵乘法)

矩阵A与矩阵B相乘时:
可以把B矩阵分成多个向量,在分别进行矩阵-向量的乘法运算,最终得到的两个单独的向量在合成一个矩阵即可。如下图:

这里写图片描述

与矩阵-向量最后的房价一样的例子,如下图:

这里写图片描述

上图右侧有三个不同的hypothesis函数,通过矩阵将它们写成一个2x3的矩阵(每列对应的就是hypothesis中的θ0,θ1),房子大小的矩阵依然需要用1去构造(房子大小矩阵的列数与hypothesis参数矩阵行数相同),最终结果是蓝色,红色,粉色,三种分别对应着三个不同的hypothesis的结果,每组对应着房子大小的四个房价值。

Matrix Multiplication Properties(矩阵乘法的属性)

在普通的乘法中,我们知道乘法有着交换律的属性,也就是说:
A x B = B x A

但是在矩阵的属性中,这样的交换律并不实用!
A x B ≠ B x A

像下图所示,交换的两个矩阵结果并不相同:

这里写图片描述

在普通的乘法中,我们知道乘法有着结合律的属性,也就是说:
(A x B) x C = A x (B x C)

在矩阵的属性中,这样的结合律属性答案是相同的!
(A x B) x C = A x (B x C)
如下图:

这里写图片描述

identity matrix(单位矩阵I):对角线都是1,且其他元素都是0的矩阵,如下图:

这里写图片描述

单位矩阵的特性:
A·I = I·A = A
也就是说任何矩阵点乘单位矩阵都得自己本身

Inverse and Transpose(逆矩阵和转置矩阵)

先来说说”逆”:
在我们的实数中,比如3,它自己本身就有着逆数,3^-1次方就是3的逆数,3·3^-1=1,但非所有实数都有这逆运算,比如0,就没有逆运算。

需要注意的是,如果A是squart matrix(方阵,行数列数相等的矩阵,若都是0的方阵,也是没有逆矩阵的!!),才有逆矩阵,得出公式:
A·A^-1 = A^-1·A = I

这里写图片描述

接下来说说Transpose(转置):
如下图:

这里写图片描述

如果A是mxn的矩阵,让B=A^T,那B是一个nxm的矩阵:
Bij = Aji
B12 = A21


总结:
总的来说又温习了一遍大学的线代,还算对矩阵和向量有些印象,最深刻的应该是利用矩阵巧妙地讲hypothesis的参数构造在一起进行矩阵相乘的运算,这点真的佩服。还有温习了单位矩阵是对角线都是1,其余是0,并且矩阵与逆矩阵点乘等于单位矩阵(只有方阵才有逆矩阵!!!)。转置也很好理解,就是以对角线转体即可。

展望结语

坚持了一下午。。感觉边看边总结真的好累啊╮(╯▽╰)╭。。今日打卡,滴滴滴!下一次的博客是分类算法的笔记!
             已经在奔往机器学习的路上——!

这篇关于Coursera 机器学习 -- Matrices and Vectors 笔记(线性代数复习课)【第一周】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/274943

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

Node.js学习记录(二)

目录 一、express 1、初识express 2、安装express 3、创建并启动web服务器 4、监听 GET&POST 请求、响应内容给客户端 5、获取URL中携带的查询参数 6、获取URL中动态参数 7、静态资源托管 二、工具nodemon 三、express路由 1、express中路由 2、路由的匹配 3、路由模块化 4、路由模块添加前缀 四、中间件