第一章 人工智能基础
第四部分：数学建模基本方法
第二节：矩阵运算与线性代数
内容：矩阵的基本运算、矩阵的特征值与特征向量。
【机器学习】机器学习中用到的高等数学知识-1.线性代数 (Linear Algebra)_机器学习的数学-CSDN博客
一、矩阵的基本概念
-
矩阵（Matrix） ：一个按照行和列排列的二维数表，记作：
-
维度（Shape）：m×n，表示有 m 行 n 列。
二、矩阵的基本运算
1. 矩阵加法与减法
-
要求维度一致，按对应元素进行加减：
2. 数乘（标量乘法）
-
所有元素同时乘以一个常数 λ：
3. 矩阵乘法
-
条件：矩阵
-
计算方式：
4. 转置
-
行列互换：
5. 单位矩阵与零矩阵
-
单位矩阵 I：对角线为 1，其余为 0
-
零矩阵 0：所有元素为 0
三、矩阵的逆（可逆矩阵）
-
条件：矩阵必须是方阵（n × n）且行列式不为 0
-
性质：
判断方法：
-
若
，则 A 可逆
-
对于 2×2 矩阵：
四、特征值与特征向量（Eigenvalues & Eigenvectors）
定义：
若对一个矩阵 A，存在一个非零向量 x 和常数 λ，满足：
则 x 是矩阵 A 的特征向量 ，λ 是对应的特征值。
求法：
-
解以下特征方程的特征值 λ：
-
将特征值代入方程
示例：
给定：
解得特征值：λ=1,3
对应特征向量可解线性方程组得出。
五、在人工智能中的应用
| 应用方向 | 说明 |
|---|---|
| 数据压缩 | PCA主成分分析使用特征值分解 |
| 神经网络结构 | 权重矩阵运算和反向传播中广泛使用线性代数 |
| 图神经网络 | 使用邻接矩阵、拉普拉斯矩阵处理图结构数据 |
| 推荐系统 | 使用矩阵分解进行协同过滤 |
六、NumPy中的矩阵操作示例
python
import numpy as np
# 定义矩阵
A = np.array([[2, 1], [1, 2]])
# 矩阵乘法
B = np.dot(A, A)
# 求转置
At = A.T
# 求特征值与特征向量
eigvals, eigvecs = np.linalg.eig(A)
print("特征值：", eigvals)
print("特征向量：", eigvecs)总结表
| 操作 | NumPy函数 |
|---|---|
| 矩阵乘法 | np.dot(A, B) |
| 转置 | A.T |
| 求逆 | np.linalg.inv(A) |
| 行列式 | np.linalg.det(A) |
| 特征值/向量 | np.linalg.eig(A) |
如需配套图示、例题讲解、课后练习或导出为讲义PPT，可继续提出需求。