线性代数 python

Linear Algebra is a branch of mathematics that deals with large data by the use of Vectors and Matrices. It introduces a different way of viewing and understanding large data. Matrices and Vectors are the primary tools and are used for data representations. A vector is also a unit column matrix. Linear Algebra can also be defined as "Mathematics of n-dimensional Space". It involves four subspaces:

线性代数是数学的一个分支,它通过使用向量和矩阵来处理大数据。 它引入了查看和理解大数据的另一种方式。 矩阵和向量是主要工具,用于数据表示。 向量也是单位列矩阵。 线性代数也可以定义为“ n维空间数学”。 它涉及四个子空间:

  1. Column Space

    列空间

  2. Row Space

    行空间

  3. Null Space

    空空间

  4. Left Null Space

    左空空间

There are multiple types of matrices and multiple operations that can be done on Matrices. In this learning sequence, we are going to use python to implement these matrices and how to manipulate them using different operations.

有多种类型的矩阵和可以对矩阵执行的多种操作。 在此学习序列中,我们将使用python实现这些矩阵以及如何使用不同的操作来操纵它们。

Why should we use Python?

为什么要使用Python?

  • Python is a higher-level computer programming language. Apart from this, it provides a large number of packages (mainly numpy for matrices and vectors) which allow us to perform operations on big data very effectively as well as it is very efficacious.

    Python是高级计算机编程语言。 除此之外,它提供了大量的程序包(主要是矩阵和矢量的numpy程序包),这些程序包使我们能够非常有效地对大数据执行操作,并且非常有效。

  • Python is being used almost everywhere. Python use in projects, software development, algorithmic programming/machine learning, and research made it one of the cardinal languages in computer science. Python provides a freehand for learning Linear Algebra so that you can implement it in any of the domains.

    几乎所有地方都在使用Python。 Python在项目,软件开发,算法编程/机器学习和研究中的使用使其成为计算机科学中的主要语言之一。 Python提供了学习线性代数的徒手画法,因此您可以在任何领域中实现它。

线性代数中的python程序列表 (List of python programs in linear algebra)

  1. Defining a Vector using list

    使用列表定义向量

  2. Defining Vector using Numpy

    使用Numpy定义向量

  3. Vector with User Defined Length

    用户定义长度的向量

  4. Adding two vectors

    两个向量相加

  5. Scalar Multiplication of Vector

    向量的标量乘法

  6. Scalar Multiplication of Vector using NumPy

    使用NumPy对向量进行标量乘法

  7. Scalar Multiplication Property 1

    标量乘法属性1

  8. Scalar Multiplication Property 2

    标量乘法属性2

  9. Adding Dimension to the Vector

    向向量添加维

  10. Calling ith dimensional Component of Vector

    调用向量的第i维分量

  11. Vector Magnitude using Function

    使用功能的矢量幅度

  12. Dot Product of Vectors

    向量的点积

  13. Cosine Similarity between two vectors

    两个向量之间的余弦相似度

  14. A Linear Function Vector

    线性函数向量

  15. Random Integer Vector

    随机整数向量

  16. Defining Matrix using Numpy

    使用Numpy定义矩阵

  17. Creating a Matrix using Columns

    使用列创建矩阵

  18. Creating a Matrix using Rows

    使用行创建矩阵

  19. Calling Column of a Matrix

    矩阵的调用列

  20. Calling Row of a Matrix

    调用矩阵的行

  21. Matrix Addition

    矩阵加法

  22. Row numbers in a Matrix

    矩阵中的行号

  23. Scalar Multiplication of Matrix

    矩阵的标量乘法

  24. Shape of Matrix

    矩阵形状

  25. (i,j) Element from a Matrix

    (i,j)矩阵中的元素

  26. Calling Column of a Matrix using Function

    使用函数调用矩阵的列

  27. Calling Row of a Matrix using Function

    使用函数调用矩阵的行

  28. Checking Square Matrix

    检查平方矩阵

  29. Python | Vandermonde Matrix

    Python | 范德蒙矩阵

  30. numpy.matmul( ) for Matrix Multiplication

    numpy.matmul()用于矩阵乘法

  31. Python | Constant Matrix

    Python | 常数矩阵

  32. Python | Range of a Matrix

    Python | 矩阵范围

  33. Python | Rank of a Matrix

    Python | 矩阵等级

  34. Python | Trace of a Matrix

    Python | 矩阵的痕迹

  35. Python | Sign and Natural Logarithm of Determinant of a Matrix

    Python | 矩阵行列式的符号和自然对数

  36. Python | Diagonal of a Matrix

    Python | 矩阵的对角线

  37. Python | Lower Triangle of a Matrix

    Python | 矩阵的下三角

  38. Python | Upper Triangle of a Matrix

    Python | 矩阵的上三角

  39. numpy.random.random( ) function with no input parameter

    没有输入参数的numpy.random.random()函数

  40. randomisation() Function to generate Random Vector

    randomisation()函数生成随机向量

  41. randomisation_matrix() Function to generate Random Matrix

    randomisation_matrix()函数生成随机矩阵

  42. Printing the power of vector/matrix elements using pow(x,a)

    使用pow(x,a)打印矢量/矩阵元素的幂

  43. Printing sin value of vector/matrix elements using numpy.sin()

    使用numpy.sin()打印向量/矩阵元素的sin值

  44. Printing hyperbolic tangent value of vector/matrix elements using numpy.tanh()

    使用numpy.tanh()打印向量/矩阵元素的双曲正切值

  45. Printing Cosine value of vector/matrix (element wise operation)

    打印向量/矩阵的余弦值(明智的操作)

  46. Printing logarithmic value of vector/matrix (element wise operation)

    打印向量/矩阵的对数值(元素明智的操作)

  47. Printing exponential value of vector/matrix elements using numpy.exp()

    使用numpy.exp()打印矢量/矩阵元素的指数值

  48. Print the identity matrix using numpy.eye() function

    使用numpy.eye()函数打印身份矩阵

  49. Identity Matrix Property (I^k = I)

    单位矩阵属性(I ^ k = I)

  50. Identity Matrix Property (AI = A)

    身份矩阵属性(AI = A)

  51. Representation of a Linear Equation

    线性方程的表示

  52. Representation of a System of Linear Equation

    线性方程组的表示

  53. Transpose Matrix

    转置矩阵

  54. Identity Matrix Transpose Property

    单位矩阵转置属性

  55. Symmetric Matrices

    对称矩阵

  56. Creating Symmetric Matrices

    创建对称矩阵

  57. Sum of Symmetric Matrices

    对称矩阵之和

  58. Ones matrix using numpy.ones()

    使用numpy.ones()的人矩阵

  59. Zeros Matrix using numpy.zeros()

    使用numpy.zeros()的Zeros矩阵

  60. Determinant of a Matrix

    矩阵的行列式

  61. Determinant of Identity Matrix

    身份矩阵的行列式

  62. Determinant of a Transpose Matrix

    转置矩阵的行列式

  63. Determinant of a Zeros and Ones matrices

    零和一矩阵的行列式

  64. Determinant of a non-square matrix

    非平方矩阵的行列式

  65. Inverse of a Matrix

    矩阵的逆

  66. Inverse of an Identity Matrix

    单位矩阵的逆

  67. Minimum value from a Matrix

    矩阵的最小值

  68. Maximum value from a Matrix

    矩阵的最大值

  69. Mean value from a Matrix

    矩阵的平均值

  70. Product of a Matrix and its Inverse Property

    矩阵的乘积及其逆性质

  71. Product of a Matrix and its Transpose Property

    矩阵的乘积及其转置特性

  72. Comparing Maximum from Matrices

    从矩阵比较最大值

  73. Comparing Minimum from Matrices

    从矩阵比较最小值

  74. Norm of the Vector

    向量的范数

  75. Outer Product of Vectors

    向量的外积

  76. Outer Product Properties

    外部产品属性

  77. Python | Application to School CPI Records (Linear Algebra)

    Python | 申请学校CPI记录(线性代数)

神经网络 (Neural Network)

  1. Introduction to Simplest Neural Network

    最简单的神经网络简介

  2. Uni - Layer Neural Network

    单层神经网络

  3. Python | One Hidden Layer Simplest Neural Network

    Python | 隐层最简单神经网络

线性代数在机器学习中的应用 (Application of Linear Algebra in Machine Learning)

  1. Hinge Loss for Single Point

    单点铰链损耗

  2. Function for Hinge Loss for Single Point

    单点铰链损失功能

  3. Function for Hinge Loss for Multiple Points

    多点铰链损失功能

  4. Binomial Process

    二项式过程

  5. Python | Binomial Experiment Simulation

    Python | 二项式实验模拟

  6. Euclidean Distance Example

    欧氏距离示例

翻译自: https://www.includehelp.com/python/linear-algebra.aspx

线性代数 python

Logo

开放原子开发者工作坊旨在鼓励更多人参与开源活动,与志同道合的开发者们相互交流开发经验、分享开发心得、获取前沿技术趋势。工作坊有多种形式的开发者活动,如meetup、训练营等,主打技术交流,干货满满,真诚地邀请各位开发者共同参与!

更多推荐