04.矩阵和线性代数.pdfVIP

法律声明  本课件包括演示文稿、示例、代码、题库、视频和 声音等内容，小象学院和主讲老师拥有完全知识产 权的权利；只限于善意学习者在本课程使用，不得 在课程范围外向任何第三方散播。任何其他人或机 构不得盗版、复制、仿造其中的创意及内容，我们 保留一切通过法律手段追究违反者的权利。  课程详情请咨询  微信公众号：小象  新浪微博：ChinaHadoop 互联网新技术在线教育领航者 1/69 矩阵和线性代数 邹博 主要内容  矩阵  线性代数是有用的：以SVD为例  矩阵的乘法/状态转移矩阵  矩阵和向量组  特征值和特征向量  对称阵、正交阵、正定阵  数据白化  矩阵求导  向量对向量求导  标量对向量求导  标量对矩阵求导 互联网新技术在线教育领航者 3/69     T   i i T A A v v  1  A UV i i i u A v SVD的提法  i i   i  奇异值分解(Singular Value Decomposition) 是一种重要的矩阵分 解方法，可以看做对称方阵在任意矩阵上的推广。  Singular ：突出的、奇特的、非凡的  似乎更应该称之为“优值分解”  假设A 是一个m ×n 阶实矩阵，则存在一个分解使得： A U  VT mn mm mn nn  通常将奇异值由大而小排列。这样，Σ便能由A 唯一确定了。  与特征值、特征向量的概念相对应：  Σ对角线上的元素称为矩阵A 的奇异值；  U 的第i 列称为A 的关于σ 的左奇异向量； i  V 的第i 列称为A 的关于σ 的右奇异向量。 i 互联网新技术在线教育领航者 4/69 A U  VT SVD举例 mn mm mn nn  已知4 ×5 阶实矩阵A ，求A 的SVD 分解： 1 0 0 0 2   A 0 0 3 0 0  0 0 0 0 0 