Doğrusal Cebir
Giriş
Ders Hangi Soruyu Sorar?
Doğrusal cebir vektörleri, matrisleri ve doğrusal dönüşümleri inceler. Yapay zekâ ve veri derslerinde neredeyse her şey bir vektördür: bir görüntü, bir sözcük, bir kullanıcı. Bir sinir ağı katmanı da büyük ölçüde bir matris çarpımıdır.
Bir bakışta
vektör uzayları ve dönüşümler
vektör, matris
çözüm, ayrıştırma, dönüşüm
doğruluk, sayısal kararlılık
kuramın kendisi
gerekmez
Giriş
Kısa Tarihçe
Grassmann, çok boyutlu vektör uzayı düşüncesini ilk kez sistemli biçimde ortaya koyar.
Cayley matrisleri kendi başına cebirsel nesneler olarak ele alır; matris çarpımı tanımlanır.
Pearson, verideki en iyi uyan doğru ve düzlemleri bulur: temel bileşenler analizi (PCA).
Eckart ve Young, SVD ile bir matrisin en iyi düşük ranklı yaklaşımını gösterir.
Golub ve Kahan, SVD'yi bilgisayarda kararlı biçimde hesaplayan yöntemi verir.
BLAS yayımlanır: bugünkü bilimsel ve YZ kütüphanelerinin altındaki temel matris işlemleri.
Ders
Temel Kavramlar
Veriyi çok boyutlu bir noktaya çevirmek.
Bir dönüşümü ya da bir ağ katmanını uygulamak.
Benzerlik (kosinüs) ve uzaklık ölçmek.
Verinin gerçekte kaç bağımsız yöne yayıldığı.
Ax = b; en küçük kareler çözümü.
Dönüşümün yönünü değiştirmediği vektörler.
Her matrisi döndürme, ölçekleme, döndürmeye ayırmak.
Bir vektörün bir alt uzaydaki en yakın karşılığı.
Ders
Tipik İş Akışı
Dene
Rakam Görüntüsünü Çoğaltmak
El yazısı rakam tanıyan bir model için az örnek var; her görüntüyü döndürüp eğerek yenilerini üretmek (veri artırma) her pikseli bir 2×2 matrisle çarpmaktır. Matrisi değiştirip “7”ye ne olduğunu izleyin.
Konum
Ön Koşullar
Bu dersten önce bilinmesi yararlı olan dersler ve neden gerektikleri.
| Ders | Neden gerekir |
|---|---|
| Lise matematiği | denklem çözme, fonksiyon ve koordinat düzlemi |
| Programlama | diziler ve döngüler: matris işlemlerini kodla denemek |
Konum
Dersin Komşuları
Örtüşme
Örtüştüğü Dersler
| İlişki | Ders | Ortak konu |
|---|---|---|
| temel alır | Makine Öğrenmesi bu dersi temel alır | öznitelik vektörleri, matris çarpımı, PCA |
| temel alır | Yapay Sinir Ağları bu dersi temel alır | ağırlık matrisleri, vektörleştirilmiş hesap |
| temel alır | Bilgisayar Grafiği bu dersi temel alır | dönüşüm matrisleri, izdüşüm |
| temel alır | Robotik ve Robot Görüsü bu dersi temel alır | koordinat dönüşümleri, kinematik |
| temel alır | Bilgi Erişimi ve Öneri Sistemleri bu dersi temel alır | vektör uzayı modeli, matris ayrıştırma |
| temel alır | Sosyal Ağ Analizi bu dersi temel alır | komşuluk matrisi, spektral yöntemler |
| temel alır | Optimizasyon bu dersi temel alır | gradyan, Hessian, konvekslik |
Ayrışma
Ayrıştığı Noktalar (1/2)
| Ölçüt | Doğrusal Cebir | Optimizasyon | Olasılık ve İstatistik |
|---|---|---|---|
| Temel soru | Vektörler ve matrisler veriyi ve dönüşümleri nasıl temsil eder? | Bir amaç fonksiyonunu en iyi yapan değerler nasıl bulunur? | Belirsizlik nasıl ölçülür ve sınırlı veriden nasıl güvenilir sonuç çıkarılır? |
| Yaklaşım | vektör uzayları ve dönüşümler | amaç ve kısıtların matematiksel modeli | olasılık modeli ve çıkarım |
| Girdi | vektör, matris | amaç fonksiyonu ve kısıtlar | örneklem verisi |
| Çıktı | çözüm, ayrıştırma, dönüşüm | en iyi ya da ona yakın çözüm | kestirim, güven aralığı, test sonucu |
| Başarı ölçütü | doğruluk, sayısal kararlılık | amaç değeri, yakınsama hızı | yansızlık, güç, anlamlılık |
| Matematik yükü | kuramın kendisi | kuramın kendisi | kuramın kendisi |
| Veri ihtiyacı | gerekmez | gerekmez | örneklem |
- Optimizasyon: Optimizasyon en iyi değerleri arar; doğrusal cebir bu aramada kullanılan gradyan, Hessian ve sistem çözümünü sağlar.
- Olasılık ve İstatistik: Olasılık belirsizliği ölçer; doğrusal cebir veriyi ve kovaryans matrisini temsil edip ayrıştırır.
Ayrışma
Ayrıştığı Noktalar (2/2)
| Ölçüt | Doğrusal Cebir | Makine Öğrenmesi | Bilgisayar Grafiği |
|---|---|---|---|
| Temel soru | Vektörler ve matrisler veriyi ve dönüşümleri nasıl temsil eder? | Bir program örneklerden nasıl genelleme yapar? | Bir sahnenin tanımından gerçekçi bir görüntü nasıl üretilir? |
| Yaklaşım | vektör uzayları ve dönüşümler | istatistiksel öğrenme | geometri ve ışık benzetimi |
| Girdi | vektör, matris | etiketli ya da etiketsiz örnekler | sahne: model, ışık, kamera |
| Çıktı | çözüm, ayrıştırma, dönüşüm | tahmin yapan model | görüntü ya da animasyon |
| Başarı ölçütü | doğruluk, sayısal kararlılık | görülmemiş veride hata | gerçekçilik, kare hızı |
| Matematik yükü | kuramın kendisi | yüksek: doğrusal cebir, olasılık, optimizasyon | yüksek: doğrusal cebir, geometri |
| Veri ihtiyacı | gerekmez | orta ve çok | gerekmez |
- Makine Öğrenmesi: MÖ veriden model öğrenir; doğrusal cebir o modelin içinde dönen hesabın dilidir, kendisi öğrenmez.
- Bilgisayar Grafiği: Bilgisayar grafiği 3B dönüşüm matrislerini uygular; bu ders bu matrislerin genel kuramını verir.
Uygulama
Uygulama Alanları
Katman = matris çarpımı ve etkinleştirme.
Boyut indirgeme ve görselleştirme.
Kullanıcı-ürün matrisini ayrıştırma.
Anlam benzerliği = vektör yakınlığı.
Bağlantı matrisinin baskın özvektörü.
Dönüşümler, sıkıştırma ve süzgeçler.
Uygulama
Araçlar ve Örnek Veriler
Araçlar ve kütüphaneler
Klasik örnek problemler
Uygulama
Sık Karıştırılanlar
| Yaygın düşünce | Doğrusu |
|---|---|
| Doğrusal cebir yalnızca denklem çözmektir. | Asıl güç dönüşümleri ve ayrıştırmaları anlamaktadır: PCA, SVD ve gömmeler bunun üstüne kurulur. |
| Ters matrisi hesaplayıp çarpmak doğru yoldur. | Pratikte ters alınmaz; LU, QR ya da Cholesky ile sistem çözülür, daha hızlı ve kararlıdır. |
| Yüksek boyutlu uzay 3B gibi davranır. | Yüksek boyutta noktalar birbirine benzer uzaklıkta durur; sezgi yanıltır (boyut laneti). |
| Kütüphaneler varken kuramı bilmek gereksiz. | Rank kaybı, kötü koşulluluk ve boyut hataları ancak kuram bilinirse anlaşılır. |
Sonrası
Bu Dersten Sonra
Bu dersi temel alan ya da genişleten dersler
İlgili meslekler
Sonrası
Kaynaklar
- Strang, Introduction to Linear Algebra, 6. baskı, Wellesley-Cambridge Press, 2023.
- Strang, Linear Algebra and Learning from Data, Wellesley-Cambridge Press, 2019.
- Trefethen ve Bau, Numerical Linear Algebra, SIAM, 1997.
- Deisenroth, Faisal ve Ong, Mathematics for Machine Learning, Cambridge University Press, 2020.