Open farmeter opened 3 years ago
N 차원 공간의 모든 점들의 집합이 바로 Vector Space(Vn)
즉 2차원 Vector Space는 2차원 공간의 모든 점을 의미하고, 3차원 Vector Space는 3차원 공간의 모든 점을 의미
Vector Space는 이제부터 선형대수학에서 다루는 여러 가지 Vector들이 존재하는 공간
선형대수는 쉽게 말해, Vector와 SubSpace가 이 Vector Space에서 어떻게 존재하는가를 다룸
여기서 핵심은 각 Vector들이 같은 차원의 공간을 공유할수도 있고, 다른 차원의 공간에 존재할 수도
머신러닝에서 다루는 대부분의 Matrix는 다른 차원의 공간들의 관계
같은 차원의 Vector Space에서는 이런 식으로 매칭이 됩니다.
우리가 구하고자 하는 해는 이 경우, 한 개로 깔끔하게 나옵니다
하지만 다른 차원끼리의 매칭이라면, 좀 더 상황은 복잡
이제 Matrix에서 해를 찾는다는 것은, 해 집합을 알아내야 한다는 것을 의미
위의 그림에서 저 해집합을 알기 위해선 무엇이 필요할까요? 바로
https://opentutorials.org/module/2336/13158
Vector space
N 차원 공간의 모든 점들의 집합이 바로 Vector Space(Vn)
즉 2차원 Vector Space는 2차원 공간의 모든 점을 의미하고, 3차원 Vector Space는 3차원 공간의 모든 점을 의미
Vector Space는 이제부터 선형대수학에서 다루는 여러 가지 Vector들이 존재하는 공간
선형대수는 쉽게 말해, Vector와 SubSpace가 이 Vector Space에서 어떻게 존재하는가를 다룸
여기서 핵심은 각 Vector들이 같은 차원의 공간을 공유할수도 있고, 다른 차원의 공간에 존재할 수도
머신러닝에서 다루는 대부분의 Matrix는 다른 차원의 공간들의 관계
매칭
같은 차원의 Vector Space에서는 이런 식으로 매칭이 됩니다.
우리가 구하고자 하는 해는 이 경우, 한 개로 깔끔하게 나옵니다
하지만 다른 차원끼리의 매칭이라면, 좀 더 상황은 복잡
이제 Matrix에서 해를 찾는다는 것은, 해 집합을 알아내야 한다는 것을 의미
위의 그림에서 저 해집합을 알기 위해선 무엇이 필요할까요? 바로
참조
https://opentutorials.org/module/2336/13158