콘텐츠로 이동

선형대수 (기초)

1. 벡터 (Vector)

크기와 방향을 가진 양입니다.

벡터 연산

덧셈:   [a, b] + [c, d] = [a+c, b+d]
스칼라: k × [a, b] = [ka, kb]
내적:   [a, b] · [c, d] = ac + bd

벡터의 크기 (노름)

||v|| = √(a² + b²)   (2차원)
||v|| = √(a² + b² + c²)   (3차원)

단위 벡터

크기가 1인 벡터입니다.

û = v / ||v||

2. 행렬 (Matrix)

수를 직사각형 배열로 나타낸 것입니다.

행렬 표기

A = [a11 a12]   (2×2 행렬: 2행 2열)
    [a21 a22]

행렬 연산

덧셈/뺄셈 (같은 크기일 때)

[1 2] + [5 6] = [6  8 ]
[3 4]   [7 8]   [10 12]

곱셈 (A의 열 수 = B의 행 수)

[1 2] × [5 6] = [1×5+2×7  1×6+2×8] = [19 22]
[3 4]   [7 8]   [3×5+4×7  3×6+4×8]   [43 50]

행렬 곱은 일반적으로 교환 법칙 성립 안 함 (AB ≠ BA)

전치 행렬 (Transpose)

행과 열을 교환합니다.

A = [1 2 3]    Aᵀ = [1 4]
    [4 5 6]         [2 5]
                    [3 6]

3. 행렬식 (Determinant)

정방행렬의 특성을 나타내는 스칼라 값입니다.

2×2 행렬식

det(A) = |a b| = ad - bc
         |c d|

3×3 행렬식 (사루스 법칙)

|a b c|
|d e f| = a(ei-fh) - b(di-fg) + c(dh-eg)
|g h i|

행렬식의 의미

  • det(A) ≠ 0 → 역행렬 존재 (정칙 행렬)
  • det(A) = 0 → 역행렬 없음 (특이 행렬)
  • 기하학적 의미: 변환 후 넓이/부피의 배율

4. 역행렬 (Inverse Matrix)

A × A⁻¹ = I (단위 행렬)를 만족하는 행렬입니다.

2×2 역행렬

A = [a b]    A⁻¹ = 1/(ad-bc) × [ d -b]
    [c d]                       [-c  a]

det(A) = 0 이면 역행렬 존재하지 않음

단위 행렬 (Identity Matrix)

I = [1 0]   (2×2)
    [0 1]

A × I = I × A = A

5. 선형 방정식 계

행렬로 연립 방정식을 표현하고 풀 수 있습니다.

ax + by = e     [a b] [x]   [e]
cx + dy = f  →  [c d] [y] = [f]
               A     X  =  B

해: X = A⁻¹B  (A가 역행렬을 가질 때)

6. 머신러닝에서의 선형대수 활용

개념 활용
벡터 데이터 포인트 표현
행렬 데이터셋, 가중치 행렬
행렬 곱 신경망 순전파 계산
전치 행렬 역전파, 그래디언트 계산
역행렬 선형 회귀 해석적 풀이

시험 포인트

  • 행렬 곱: A(m×n) × B(n×p) = C(m×p), 교환법칙 성립 안 함
  • 전치 행렬: 행↔열 교환
  • 2×2 행렬식: ad - bc
  • 역행렬 조건: det(A) ≠ 0
  • 단위 행렬: A×I = A
  • 벡터 내적: [a,b]·[c,d] = ac + bd