Friday, February 28, 2014

如何阅读

在知乎周刊上看到一篇文章如何集中精神看资料?,受益匪浅,尤其是排名第二的@warfalcon的回答,更多地具体化了方法论,而不是逼格的东西。作者也在自己的blog上面整理了下,可以参考这里


鉴于文中多次提到思维导图的重要性和优势,我这里把文章论述的主要观点用思维导图整理出来,也算活学活用。


上图(xmind所作,模板自己定制),点击可以看大图:


how to read






via WordPress http://ift.tt/1ku4lV7

Thursday, August 22, 2013

线性代数-6:列空间和零空间

本节主要关注列空间(column space)和零空间 (null space)


子空间


子空间首先必须是向量空间,而且在另一个空间之中,即subspace 是vector space中的vector space。举例子,来看R^3的子空间,首先R^3是向量空间,R^3的subspace,如任意穿过原点的平面任意穿过原点的置信


子空间的交和并,假如有两个subspace,plane P和line L


∪:P U L是subspace吗?no,简单的可以找到vector加法不封闭

∩:P ∩ L是subspace吗?yes,交集要么是原点,要么是过原点的line


更一般的问题,Subspace S 和T,intersection S ∩ T is a subspace

证明:



  • v和w是属于S ∩ T的

  • 因此v和w属于S,而S是subspace,因此v + w是属于S的

  • 同理v + w是属T的

  • 因此v + w是属于S∩T的

  • 即加法的条件是满足的,乘法的条件类似可以证明


强调一下vector space的条件

v + w 和 CV are in the space

vector space的列向量的线性组合还在vector space中


列空间C(A) colunm space of A


Image


column space of matrix A is all linear combinations of columns

那么究竟是什么样的子空间呢?是整个R^4还是小一点的真子空间?到底有多小?显然不是整个空间,只是一部分(,3个列向量的线性组合无法充满整个4维空间。),在上图中,C(A)是A的列的线性组合。


同方程组量联系起来 Ax = b,对哪些b方程有解?并不是总有解的,因为对于上面的A,有4个方程和3个未知数。什么样的b才能让方程组有解?如b=全0,b是A中的某一列,也可以先把x列出来,然后去求b,也即有解的b的条件及是b是A的列空间的向量,因为Ax即A列的线性组合。


此外,观察一下,这3列向量是线性相关的,去掉某一列仍然可以组成之前的向量空间,如列三

C(A)是R^4的一个2维的subspace。


零空间N(A) null space of A


还是用A来举例子N(A),null space是一个很特殊的space,null space of A = all solutions x to Ax=0


首先从x可以看出,是R^3中的空间,下面来看看解有哪些,零向量显然是,又如[1, 1, -1],扩展为,即一条直线c[1, 1, -1],是一个subspace,可以通过前面的条件来check,比较简单,如下,假设v和w在零空间,Av = 0,Aw = 0,则A(v+w)= 0,那么v+w也在零空间,数乘类似


向量空间的关键

对于某个b,非0,不再考虑null space


Image [2]


如果有解,解构成子空间吗?显然不构成,因为显然的解中不包含原点,因此不是向量空间

那么是什么样的呢?[1, 0, 0]是一个解,[0, -1, 1]也是一个解,他们可能是一个不穿过原点的直线或者平面


总结,两种得到subspace的方法

可以从几个向量,通过线性组合,得到b,列空间

也可以从一个方程组中让x满足某种条件来找到子空间,如Ax=0,得到x,零空间。






via WordPress http://www.econsh.com/2013/08/%e7%ba%bf%e6%80%a7%e4%bb%a3%e6%95%b0-6%ef%bc%9a%e5%88%97%e7%a9%ba%e9%97%b4%e5%92%8c%e9%9b%b6%e7%a9%ba%e9%97%b4/?utm_source=rss&utm_medium=rss&utm_campaign=%25e7%25ba%25bf%25e6%2580%25a7%25e4%25bb%25a3%25e6%2595%25b0-6%25ef%25bc%259a%25e5%2588%2597%25e7%25a9%25ba%25e9%2597%25b4%25e5%2592%258c%25e9%259b%25b6%25e7%25a9%25ba%25e9%2597%25b4

Wednesday, August 7, 2013

线性代数-5:转置-置换-向量空间R

本节的内容有三部分



  • 置换permutations

  • 转置transpose

  • 然后真正进入线代的大门,向量空间


Permutations


置换矩阵P,用来完成行互换的矩阵(如消元,遇到主元为0的时候),之前我们做的A=LU分解,是假设了没有行变化,这里面的P本质上相当于单位阵,限制取消限制,怎么做?


Image


PA = LU,先做P变化,将A变成主元不会出现0的情况,这样LU可以和以前一样,因此P是关键,P = identity matrix with reordered rows


有n!种n * n的置换阵,一些性质,而且都可逆,并且逆矩阵于其转置相等PT * P = I


Transpose


转置(后续为了方便,记做P’,像matlab一样)


Image [2]


行列互换,共识如下


Image [3]


相关的一个应用广泛的矩阵是对称矩阵,对称矩阵(A’ = A),转置不变性


可以轻易造一个对称阵出来,如将上面的A’ * A,R’R is always symmetric,例子


Image [4]


理论上证明(R’R)’ = R’(R’)’ = R’R


向量空间R


Vector spaces


举例R^2,是一个平面,所有2维向量组成的空间,所有向量空间必须包括原点,向量运算结果页在该向量所在的空间


R^n 包含所有的n维向量,这里的向量都是column vector


性质:数乘,向量加法,取线性组合依然在R^n中,即封闭的


R^2的一个部分不能称为向量空间,比如第一象限,只有整数,运算不是封闭的


我们关注的更多的是R^n的子空间,它不是整个R^n,但是满足向量空间的性质,如在R^2中的一条过原点的直线,满足向量空间的性质,就是向量空间,这就是子空间的一个例子。但是不过原点的就不是,因为数乘0得到的是原点


subspace of R^2



  1. all of R^2本身

  2. 过原点的直线

  3. 原点


Image [5]


R^3的比较类似,比如过原点的面和直线,其他,如在R^3中


Image [6]


取两列向量的所有线性组合,可以得到一个向量空间,叫column space C(A),结果是整个平面(在这个维度很自然可以看出,高维较难),当然通过原点。


本讲的核心,列向量的线性组合可以构成向量子空间






via WordPress http://www.econsh.com/2013/08/%e7%ba%bf%e6%80%a7%e4%bb%a3%e6%95%b0-5%ef%bc%9a%e8%bd%ac%e7%bd%ae-%e7%bd%ae%e6%8d%a2-%e5%90%91%e9%87%8f%e7%a9%ba%e9%97%b4r/?utm_source=rss&utm_medium=rss&utm_campaign=%25e7%25ba%25bf%25e6%2580%25a7%25e4%25bb%25a3%25e6%2595%25b0-5%25ef%25bc%259a%25e8%25bd%25ac%25e7%25bd%25ae-%25e7%25bd%25ae%25e6%258d%25a2-%25e5%2590%2591%25e9%2587%258f%25e7%25a9%25ba%25e9%2597%25b4r

Sunday, July 21, 2013

线性代数-3:矩阵的乘法和逆

本节课内容,矩阵的五种乘法,以及用Gauss-Jordan方法求矩阵的逆


矩阵的乘法


有五种乘法,结果显然是一致的,矩阵相乘的前提,如AB,A的列和B的行要相等,C = AB,A拥有m行,n列;B拥有n行,p列;而C就会有m行,p列Image [3]


1. 最常见的乘法,行 * 列


Image [2]


2. 矩阵 * 列的方法


Image [4]


我们都知道,矩阵*向量得到向量。A*B的列1,得到C的列1,其余的部分不参与次运算,A*B的列2,得到C的列2,扩展开来,C中的列是A中的列的线性组合,矩阵乘法可以看做是A与一个个列相乘的p个向量组合在一起。而A乘以向量,等价于A中列的线性组合,而向量B的列说明了如何组合,这点很重要。在linear regression,的feature的组合中经常用到这种解释,A的列对应某一维特征的值,而向量则表明了每一维特征的权重。


3. 行 * 矩阵的方法


同上面的方法比较类似,即C中的行,是B中的行的线性组合


4. 列 * 行的相加


这算是一种比较非主流的方法,没列 * 行得到一个矩阵,多个矩阵相加得到最终相乘的结果


Image [5]


5. 分块矩阵乘法


第一种方法的拓展,将矩阵划分中多个block,像元素一样使用,记得相乘的block需要能够行列match


Image [6]


矩阵的逆(方阵)


矩阵是否可逆


如A=[1 3| 2 6] (如果取行列式,结果为0,还没学到)


一种解释:

假设A * B = I,I中的列是A中的列的线性组合,显然不可能,所有的线性组合都在直线上,但是1,0不在上面


另一种解释:

if i can find a vector X(非零向量),with AX = 0,这样的A 没有逆,这里可以得到X = [3 , -1],证明如下:假设AX = 0,而且A有左逆A-1,则 A-1 ( AX) = 0,then X = [0, 0],矛盾,因此A没有左逆


结论:


singular matrix(即不可逆矩阵)的列能通过线性组合(非零向量X)得到0


如何求得方阵的逆


方法如下 gauss-jordan idea(同时处理两个方程组),A * column j of A-1 = column j of I


Image [7]


求逆和求解方程组类似,尝试将A用消元法(先消元变成上三角阵,然后继续向上消元,即逆向)变成I,而左侧的I随着A做一样的操作,既可以得到A-1,可以检验一下,确实是A的逆


为什么能得到逆?本质上就是矩阵消元的方法,各种E,即E[A I] = [I ?] = [I E],可以看出EA = I,so E就是A的逆,而右侧的?就是E






via WordPress http://www.econsh.com/2013/07/%e7%ba%bf%e6%80%a7%e4%bb%a3%e6%95%b0-3%ef%bc%9a%e7%9f%a9%e9%98%b5%e7%9a%84%e4%b9%98%e6%b3%95%e5%92%8c%e9%80%86/?utm_source=rss&utm_medium=rss&utm_campaign=%25e7%25ba%25bf%25e6%2580%25a7%25e4%25bb%25a3%25e6%2595%25b0-3%25ef%25bc%259a%25e7%259f%25a9%25e9%2598%25b5%25e7%259a%2584%25e4%25b9%2598%25e6%25b3%2595%25e5%2592%258c%25e9%2580%2586

Tuesday, July 16, 2013

线性代数-2:矩阵消元

本节课的主要内容如下



  • elimination 消元

  • back-substitution 回代

  • elimination matrices 消元矩阵

  • matrix multiplication 矩阵乘法


Image


消元


矩阵消元法解方程,也是计算机程序使用的方法;消元法奏效的情况,matrix is a good matrix;使用矩阵消元,既可以知道矩阵是不是一个好矩阵。消元后,回代,即可求解方程


我们本次要解决的AX = b


第一步

消元的目的,消去某个未知变量

先确定第一个主元(pivot)x,如A11,消去方程二和三种中的x,主元行不变,对第二行进行消元(行二减去主元行的某个倍数)

消元的时候可以先不管右侧矩阵,先看左侧(matlab也是这么做的,先算左侧A,再算右侧b)


第二个主元是A22,想消去方程三种的y,即3,2 step


第三个主元是A33


Image [2]


U 上三角矩阵,消元的目的是从A得到U


主元不能为0,为0即fail了,上面的success了,下面讨论下failure的消元,即得不到三个主元


如果0占据了主元的位置,需要做行交换,从下面的方程得到合适的主元,如果某行最终都为0了,则矩阵不可逆(下节课的内容),消元就fail了,行交换解决主元为0的临时问题,但是假如下面也没有可交换的行了,那么消元就fail了


回代


首先将右侧向量带入,将右侧向量放到矩阵中(最右列),即增广矩阵augmented matrix,对这一列的每行做消元时候相同的操作


Image [3]


回代就是把新的矩阵转换成方程组,UX=c算出未知数的值,从下网上,依次算出z y x,是反向的。


消元矩阵


矩阵变化,虽然之前在用矩阵,但是之前的操作,即消元步骤,并不是用矩阵来表示,下面就引入消元矩阵的概念。


矩阵乘法的一些思想

matirx * column = column

row * matrix = row


Image [4]


一步一步来,每次一个消元矩阵,下面是第一个消元矩阵


Image [5]


上图左为elementary matrix 即初等矩阵E21,表示位置目的把2 1 变成0。


然后是第二个消元矩阵


Image [6]


两步,消元就完成了。


其他:


把上面的消元矩阵结合起来如下


Image [7]


上式即矩阵相乘的结合律。


还有另一种初等矩阵,用于交换行的,or 置换,行交换,列交互,都可以使用单位阵来找置换矩阵


Image [8]


Image [9]


置换行的单位阵在左侧,置换列的单位阵在右侧。


同时引入矩阵的逆:


Image [10]






via WordPress http://www.econsh.com/2013/07/%e7%ba%bf%e6%80%a7%e4%bb%a3%e6%95%b0-2%ef%bc%9a%e7%9f%a9%e9%98%b5%e6%b6%88%e5%85%83/?utm_source=rss&utm_medium=rss&utm_campaign=%25e7%25ba%25bf%25e6%2580%25a7%25e4%25bb%25a3%25e6%2595%25b0-2%25ef%25bc%259a%25e7%259f%25a9%25e9%2598%25b5%25e6%25b6%2588%25e5%2585%2583