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