线性代数
机器学习专家离不开线性代数
- ML 大量使用标量
- ML 大量使用向量
- ML 大量使用矩阵
- ML 大量使用张量
本章的目的是突出线性代数在数据科学项目（如机器学习和深度学习）中使用到的部分。
| 标量 | 向量 | ||||||||||||||||||||||||||
| 1 |
|
||||||||||||||||||||||||||
| 矩阵 | 张量 | ||||||||||||||||||||||||||
|
|
向量和矩阵
向量和矩阵是数据的语言。
在 ML 中，大多数操作都是使用向量和矩阵完成的。
使用向量和矩阵，你可以发现秘密。
标量
在线性代数中，标量是一个单个数字。
在 JavaScript 中，它可以像常量或变量一样编写
const myScalar = 1;
let x = 1;
var y = 1;
向量
在线性代数中，向量是一个数字数组。
在 JavaScript 中，它可以写成数组
const myArray = [50,60,70,80,90,100,110,120,130,140,150];
myArray.length; // myArray 的长度是 11
自己尝试 »
数组可以有多个维度，但向量是一个一维数组。
向量可以用多种方式表示。最常见的是
| v = |
|
或
| v = |
|
 |
左侧的图片是一个向量。 长度表示大小。 箭头表示方向。 |
矩阵
在线性代数中，矩阵是一个二维数组。
| C = |
|
在 JavaScript 中，矩阵是一个带有 2 个索引的数组。
张量
张量是一个N 维矩阵。
| T = |
|
在 JavaScript 中，张量是一个带有多个索引的数组。
