【第一章:人工智能基础】04.数学建模基本方法-(2)矩阵运算与线性代数

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 ，解出特征向量 x。

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

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。