AI Convergence

선형 대수학 강좌를 정리한다. 

Matrix vs Vector vs Scalar

Matrix = m * n = 행*렬 = row * column

Vector = m * 1 형태의 Matrix  = 크기와 방향을 가짐

Scalar = Matrix * 상수 = 크기만 가짐

Matrix Vector Multiplication (곱)

[ m * n ] [ n * 1 ] = [ m * 1 ]

가설 방정식을 이와 같이 표현할 수 있음. 예로 집값 예측 방정식을 수식으로 표현하면 4차원 벡터가 (4 dimensional vector) 나온다. 

Matrix Matrix Multiplication

matrix vector 곱의 결과를 모아 놓은 형태로 보면됨.

결과는 다음의 형태가 된다. 

각 가설을 다시 matrix matrix multiplication으로 만들면 각 가설의 결과값이 column으로 나온다.

Matrix properties (속성)

A, B가 일반 행렬이고, I 가 항등 행렬이라고 하면 

- 교환 법칙:  A * B != B * A  성립하지 않는다. 

- 행렬곱 주의: A * (B * C) = (A * B) * C

- 항등행렬: n*n 으로 행과 열이 같으면서 대각선은 1이고 나머지는 0인 행렬 (identity matrix),  A * I = I * A = A

Inverse matrix (역행렬)

Matrix을 inverse해서 역행렬하고 matrix과 곱하면 항등행렬을 얻는다. 이때 역행렬을 얻을 수 있는 것은 정방행렬(행과 열의 수가 같은 행렬)뿐이다. 

역행렬을 가질 수 없는 예로 0으로 채워진 행렬은 역행렬을 가질 수 없다. 이를 singular matrix 또는 degenerate matrix라 칭한다. 

Matrix transpose (전치행렬, transposition)

m * n 을 n * m으로 만들기

참조

- 앤드류응 교수의 선형대수학 강좌.