机器学习课程-温州大学-线性代数回顾

• 语言: 中文（简体）
• 格式: .pdf
• 来源: github.com/fengdu78

摘要

文档系统回顾了线性代数的核心内容，包括行列式的性质及其应用、矩阵的基本运算与性质、向量空间的概念与运算、线性方程组的解法以及矩阵的特征值和特征向量的相关理论。这些内容为机器学习提供了必要的数学基础，强调了线性代数在现代科学与工程中的重要性。

AI总结

《机器学习课程-温州大学-线性代数回顾》是黄海广副教授于2021年7月整理的一份课程材料，主要回顾了机器学习中涉及的线性代数核心内容。以下是文档的核心总结：

### 核心内容回顾

1. **行列式**
- 行列式的性质：$|AB|=|A||B|$，但$|A \pm B| \neq |A| \pm |B|$。
- $|kA| = k^n |A|$，其中$A$为$n$阶方阵。
- $|A^T| = |A|$，$|A^{-1}| = |A|^{-1}$（若$A$可逆），$|A^*| = |A|^{n-1}$（$n \geq 2$）。
- 范德蒙行列式：$D_n = \prod_{1 \leq j < i \leq n} (x_i - x_j)$。

2. **矩阵**
- 正定矩阵的性质：$A$正定$\Rightarrow kA$、$A^T$、$A^{-1}$、$A^*$正定；$|A| > 0$，$A$可逆；对角线元素$a_{ii} > 0$，且主子式$|A_{ii}| > 0$。

3. **向量**
- 正交基：向量空间中两两正交的一组基称为正交基。
- 规范正交基：正交基中每个向量都是单位向量。

4. **线性方程组**
- 齐次方程组的通解：$k_1\eta_1 + k_2\eta_2 + \cdots + k_t\eta_t$，其中$\eta_i$为基础解系，$k_i$为任意常数。

5. **矩阵的特征值和特征向量**
- 矩阵$A$的特征值$\lambda_i$满足$|A| = \prod_{i=1}^n \lambda_i$。

6. **二次型**
- 二次型的标准形可通过非退化的线性替换求得。

### 总结
文档系统梳理了线性代数的核心知识点，重点围绕行列式、矩阵、向量、线性方程组、特征值与特征向量以及二次型展开，为机器学习中的数学基础提供了全面回顾。