您现在的位置是: 首页 > 人工智能
深度学习和机器学习的线性代数入门
- 人工智能
- 2020-11-05 13:58:55
- 人已阅读
本文目录
引言
机器学习ML和深度学习NN中的线性代数
矩阵
向量
矩阵乘法
转置矩阵
逆矩阵
正交矩阵
对角矩阵
正规方程的转置矩阵和逆矩阵
线性方程
向量范数
L1范数/Manhattan范数
L2范数/Euclidean范数
ML中的正则化
Lasso
岭
特征选择与抽取
协方差矩阵
特征值与特征向量
正交性
正交集
扩张空间
基
主成分分析(PCA)
矩阵分解
总结
引言
机器学习和深度学习建立在数学原理和概念之上,因此AI学习者需要了解基本数学原理。在模型构建过程中,我们经常设计各种概念,例如维数灾难、正则化、二进制、多分类、有序回归等。
神经元是深度学习的基本单位,该结构完全基于数学概念,即输入和权重的乘积和。至于Sigmoid,ReLU等等激活函数也依赖于数学原理。
正确理解机器学习和深度学习的概念,掌握以下这些数学领域至关重要:
线性代数
微积分
矩阵分解
概率论
解析几何
机器学习和深度学习中的线性代数
在机器学习中,很多情况下需要向量化处理,为此,掌握线性代数的知识至关重要。对于机器学习中典型的分类或回归问题,通过最小化实际值与预测值差异进行处理,该过程就用到线性代数。通过线性代数可以处理大量数据,可以这么说,“线性代数是数据科学的基本数学。”
在机器学习和深度学习中,我们涉及到线性代数的这些知识:
向量与矩阵
线性方程组
向量空间
偏差
通过线性代数,我们可以实现以下机器学习或深度学习方法:
推导回归方程
通过线性方程预测目标值
支持向量机SVM
降维
均方差或损失函数
正则化
协方差矩阵
卷积
矢量积
矩阵
矩阵是线性代数的重要概念。一个m*n矩阵包含mn个元素,可用于线性方程组或线性映射的计算,也可将其视为一个由m*n个实值元素组成的元组。
矩阵表示
向量
在线性代数中,向量是大小为n*1的矩阵,即只有一列。
矩阵表示
矩阵乘法
矩阵乘法是行和列的点积,其中一个矩阵的行与另一个矩阵列相乘并求和。
矩阵乘法
矩阵乘法在线性回归中的应用
通过多种特征可以预测房屋价格。下表展示了不同房屋的特征及其价格。
不同房屋的特征及其价格
特征变量与目标变量
令:
特征及其系数
房价预测函数
转置矩阵
对于矩阵A∈R^m*n,有矩阵B∈R^n*m满足b_ij = a_ij,称为A的转置,即B=A^T。
A的转置
逆矩阵
对n阶矩阵A,有矩阵B∈R^n*n满足AB =I_n(单位矩阵)= BA的性质,称B为A的逆,表示为A^-1。