向量
含有「向量」共 41 篇內容
全部內容
發佈日期由新至舊
付費限定
狄拉克符號是量子計算的語言，用簡潔的 Bra、Ket 與內積描述量子狀態與測量。Ket 表示狀態，Bra 表示測量，Bracket 決定概率幅。
當你想知道「這段時間走了多遠」，你其實已經在用「積分」的概念了。積分是導數的反運算，用來累積微小的變化、計算曲線下面的面積。這篇文章用開車、速度與距離的比喻，帶你建立積分直覺，並介紹它在機器學習中的應用。適合對數學陌生、但想踏入資料科學世界的文組大人。
這篇文章淺顯易懂地解釋了偏微分與梯度下降法在AI中的應用，以爬山為例，說明如何利用偏微分計算不同方向的變化率，以及梯度下降法如何幫助AI找到最佳解。
學習AI人工智慧需要數學嗎？答案是肯定的！本文用簡單易懂的比喻，說明導數在機器學習中的重要性，以及如何應用導數進行梯度下降等關鍵步驟，並提供學習資源與方向。
這篇文章深入淺出地解釋了特徵分解在 PCA 降維中的數學原理，並以簡潔易懂的方式說明如何利用特徵值和特徵向量提取資料中最主要的資訊。文章末尾設計了一個小測驗，幫助讀者鞏固所學，並鼓勵讀者分享想用 PCA 完成的專案或需要更詳細圖解的部分。
本篇文章以淺顯易懂的方式介紹主成分分析（PCA），說明其原理、步驟及應用，並透過生活化的例子（打包行李）幫助讀者理解，最後設計小測驗加深印象。
這篇文章介紹了線性代數中幾種重要的向量：單位向量、正交向量、正交矩陣和正交單位向量，並解釋了它們在資料科學和機器學習中的應用，例如資料標準化、維度獨立性保證、資料轉換和模型優化。
這篇文章介紹資料科學中四種常見且重要的矩陣：單位矩陣、對稱矩陣、反矩陣和奇異矩陣，並以淺顯易懂的比喻說明其特性和用途，幫助讀者快速理解矩陣在機器學習、影像處理和推薦系統中的應用。
這篇文章以淺顯易懂的方式介紹了範數 (Norm) 的概念，並結合生活化的例子，例如走路、計算距離等，說明 L1 範數、L2 範數、Max 範數和 Frobenius 範數。文章也解釋了範數在資料科學中的應用，以及如何幫助資料科學家分析數據。
透過自助餐點菜的例子，淺顯易懂地解釋矩陣乘法，並說明其在資料科學中的應用。
