村头陶员外的博客

本篇博文将主要总结机器学习里面的线性代数知识。分以下几个主题，但是不做详细的证明，只做总结。矩阵 SVD 状态转移矩阵特征值和特征向量 对称阵 正交阵 正定阵矩阵求导 向量对向量求导 标量对向量求导 标量对矩阵求导矩阵SVD（奇异值分解）奇异值分解（Singular Value Decomposition）是一种重要的矩阵分解方法。假设矩阵A是一个m*n阶实矩阵，则存在一个分

在学习机器学习，推荐系统等上的众多算法思想时，以及在数学公式推到上面，避免不了许多统计学方面的知识，其中以贝叶斯，最大似然估计，最大后验估计为最常遇见，必须深刻掌握了解。首先讲讲贝叶斯估计（对比传统频率学来讲） 在我们传统的频率学来说，需要推断的参数theta是固定未知的，是个确定的值，而样本是随机的，所以频率派重点研究样本空间，大部分的概率计算都是针对样本X 的分布； 例如：有一个袋子，里面装