선형대수 (기초)¶
1. 벡터 (Vector)¶
크기와 방향을 가진 양입니다.
벡터 연산¶
벡터의 크기 (노름)¶
단위 벡터¶
크기가 1인 벡터입니다.
2. 행렬 (Matrix)¶
수를 직사각형 배열로 나타낸 것입니다.
행렬 표기¶
행렬 연산¶
덧셈/뺄셈 (같은 크기일 때)¶
곱셈 (A의 열 수 = B의 행 수)¶
행렬 곱은 일반적으로 교환 법칙 성립 안 함 (AB ≠ BA)
전치 행렬 (Transpose)¶
행과 열을 교환합니다.
3. 행렬식 (Determinant)¶
정방행렬의 특성을 나타내는 스칼라 값입니다.
2×2 행렬식¶
3×3 행렬식 (사루스 법칙)¶
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¶
det(A) = 0 이면 역행렬 존재하지 않음
단위 행렬 (Identity Matrix)¶
5. 선형 방정식 계¶
행렬로 연립 방정식을 표현하고 풀 수 있습니다.
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