线性代数

按认知顺序学:先有对象(向量)→ 再施加变换(矩阵)→ 拆开变换(特征分解)→ 推广到任意矩阵(SVD)。


📚 内容导航

名称说明链接
向量长度、夹角、距离三件事;归一化后 L2 距离等价于余弦相似度进入
矩阵矩阵就是函数;形状约束、条件数与复杂度和性能直接相关进入
特征值分解找出「只伸缩不转向」的方向;PCA、PageRank、稳定性都看它进入
奇异值分解任意矩阵的旋转—缩放—旋转;每个奇异值就是一个方向上的信息量进入

🎯 按问题找答案

你想解决的问题先看
embedding 到底用什么距离比向量
训练耗时随矩阵尺寸怎么估、运算顺序为何不等矩阵
降维保留几维、奇异值/特征值怎么看特征值分解、奇异值分解
求导、梯度与优化中的矩阵运算优化理论

🔗 相关链接

主题链接
上一级打开
微积分打开
离散数学打开
信息论打开
优化理论打开
概率论与数理统计打开

此文件夹下有4条笔记。