线性代数-基础

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