深度学习数学从不同角度来理解（机器学习入门基础数学知识整理）

1.线性代数线性代数作为数学中的一个重要的分支，我感觉是一般人学习机器学习或者深度学习算法的必备知识，作为博主这样的CS出身的工科生，学了线性代数、微积分、概率论这些基础课程，平时也就够用了，再复杂的一些数学分支涉及的很少（这一部分摘录自[1]，加上我自己的一些理解），今天小编就来说说关于深度学习数学从不同角度来理解?下面更多详细答案一起来看看吧!

深度学习数学从不同角度来理解

1.线性代数

线性代数作为数学中的一个重要的分支，我感觉是一般人学习机器学习或者深度学习算法的必备知识，作为博主这样的CS出身的工科生，学了线性代数、微积分、概率论这些基础课程，平时也就够用了，再复杂的一些数学分支涉及的很少。（这一部分摘录自[1]，加上我自己的一些理解）

1.1 标量，向量，矩阵和张量

标量（scalar）：一个标量就是一个单独的数。用斜体表示标量，如 s∈R

向量（vector）：一个向量是一列数，我们用粗体的小写名称表示向量。比如

x，将向量x 写成方括号包含的纵柱：

x=⎡⎣⎢⎢⎢⎢x1x2⋮xn⎤⎦⎥⎥⎥⎥

矩阵（matrix）：矩阵是二维数组，我们通常赋予矩阵粗体大写变量名称，比如

A​ 。如果一个矩阵高度是m​，宽度是n​，那么说A∈Rm×n

。一个矩阵可以表示如下：

A=[x11x21x12x22]

张量（tensor）：某些情况下，我们会讨论不止维坐标的数组。如果一组数组中的元素分布在若干维坐标的规则网络中，就将其称为张量。用A​ 表示，如张量中坐标为(i,j,k)​的元素记作Ai,j,k

机器人学习或解决问题