ماشین حساب ماتریس - تعیین کننده، معکوس و بیشتر

عملیات ماتریس: جمع و تفریق

یک ماتریس یک آرایه مستطیل از اعداد است که در ردیف ها و ستون ها مرتب شده است.m x nماتریس دارای m ردیف و n ستون است.

جمع و تفریقنیاز به ماتریس هایی با ابعاد یکسان دارد. عناصر مربوطه را اضافه یا حذف کنید:

اگر A = [[1, 2]], [3, 4]] و B = [[5, 6], [7, 8]], پس:

• A + B = [[1+5, 2+6]], [3+7, 4+8]] = [[6, 8], [10, 12]]
• A - B = [[1-5, 2-6]]، [3-7, 4-8]] = [[-4, -4]، [-4, -4]]

جمع کردن ماتریس ها متناوب است (A + B = B + A) و مرتبط است ((A + B) + C = A + (B + C)).

ضرب ماتریس

ضرب ماتریس پیچیده تر از عملیات عنصر است. برای ضرب A (mxn) با B (nxp) ، ابعاد داخلی باید با (n) مطابقت داشته باشد و ماتریس نتیجه C (mxp) را تولید کند.

هر عنصر C[i][j] = مجموع A[i][k] x B[k][j] برای همه k است.

مثال:A = [[1, 2], [3, 4]] (2x2) x B = [[5, 6], [7, 8]] (2x2):

• C[0][0] = 1x5 + 2x7 = 19
• C[0][1] = 1x6 + 2x8 = 22
• C[1][0] = 3x5 + 4x7 = 43
• C[1][1] = 3x6 + 4x8 = 50

نتیجه: C = [[19، 22]، [43, 50]]

ویژگی کلیدی:ضرب ماتریس به طور کلی معکوس نیست -- AxB ≠ BxA. با این حال، آن همبستگی است: (AxB) xC = Ax ((BxC).

تعیین کننده و معکوس یک ماتریس 2x2

The تعیین کنندهاز یک ماتریس 2x2 A = [[a، b]، [c، d]] عبارت است از: det(A) = ad - bc

تعیین کننده نشان می دهد که آیا یک ماتریس معکوس است (det ≠ 0) و عامل مقیاس تبدیل را نشان می دهد.

معکوس یک ماتریس 2x2(فقط در صورتی وجود دارد که det ≠ 0):

A-1 = (1/det) x [[d, -b], [-c, a]]

مثال:A = [[1, 2]، [3, 4]]
det = 1x4 - 2x3 = 4 - 6 = -2
A-1 = (1/-2) x [[4, -2], [-3, 1]] = [[-2, 1], [1.5, -0.5]]

بررسی: A x A−1 = ماتریس هویت [[1,0],[0,1]]

کاربردهای عملی ماتریس ها

ماتریس ها برای بسیاری از کاربردهای دنیای واقعی اساسی هستند:

• گرافیک کامپیوتری و توسعه بازی:هر چرخش سه بعدی، مقیاس و ترجمه یک ضرب ماتریس است. یک ماتریس تبدیل 4x4 هر سه عمل را به طور همزمان انجام می دهد.
• یادگیری ماشینی:وزنه های شبکه عصبی، داده های ورودی و فعال سازی ها همگی ماتریس هستند. آموزش یک شبکه عصبی اساسا انجام میلیون ها ضرب ماتریس است.
• اقتصاد (آنالیز ورودی و خروجی):مدل ورودی-خروجی لئونتیف از ماتریس ها برای مدل سازی وابستگی های متقابل بین بخش های اقتصادی استفاده می کند.
• فیزیک:مکانیک کوانتومی از ماتریس ها (اوپراتورها) برای نشان دادن مقادیر قابل مشاهده استفاده می کند. تنسورهای فشار و کشش در مهندسی مقادیر ماتریس هستند.
• آمار:ماتریس های همپوشانی، تجزیه و تحلیل اجزای اصلی (PCA) و محاسبات رگرسیونی همه به عملیات ماتریس متکی هستند.

3x3 ماتریکس تعیین کننده و کوفاکتور گسترش

برای یک ماتریس 3x3، تعیین کننده با استفاده ازگسترش کوفاکتور(همچنین گسترش لاپلاس نامیده می شود). با توجه به:

عامل تعیین کننده:det = a ((ei - fh) - b ((di - fg) + c ((dh - eg)

نمونه کار شده:اجازه دهید A = [[2, 1, 3], [0, -1, 2], [4, 0, 1]]

• det = 2(-1x1 - 2x0) - 1(0x1 - 2x4) + 3(0x0 - (-1)x4)
• det = 2(-1 - 0) - 1(0 - 8) + 3(0 + 4)
• det = 2(-1) - 1(-8) + 3(4)
• det = -2 + 8 + 12 =18

برای ماتریس های بزرگتر (4x4، 5x5، و غیره) ، روش گسترش کوفاکتور از نظر محاسباتی گران می شود (عملیات n!). در عمل، رایانه ها ازتجزیه LU or کاهش ردیفبرای محاسبه تعیین کننده ها در O ((n3) زمان.

مقادیر خاص و وکتورهای خاص

ارزش های شخصییکی از مهمترین مفاهیم در جبر خطی هستند. برای یک ماتریس مربعی A، یک ارزش خاص λ و وکتور خاص آنvپاسخگو هستند:A·v = λ·v-- ماتریس وکتور خود را با مقیاس آن (بدون چرخش) تبدیل می کند.

برای پیدا کردن مقادیر خاص یک ماتریس 2x2 A = [[a، b]، [c، d]،معادله مشخصه: det ((A - λI) = 0

این می دهد: (a - λ) ((d - λ) - bc = 0، یا:λ2 - (a+d) λ + (ad - bc) = 0

اصطلاح (a+d) عبارت است ازردیابیاز ماتریس، و (ad - bc)تعیین کننده.

مثال:A = [[4, 2], [1, 3]]

• معادله مشخصه: λ2 - 7λ + 10 = 0
• فاکتورینگ: (λ - 5) ((λ - 2) = 0
• مقادیر خود: λ1 = 5، λ2 = 2

در جایی که ارزش های خاص در عمل ظاهر می شوند:

حل سیستم معادلات خطی با ماتریس

یکی از کاربردی ترین کاربردهای ماتریس، حل سیستم های معادلات خطی است. یک سیستم معادلات را می توان به شکل ماتریس به شکلAx = b، جایی که A ماتریس ضریب است، x متغیر و b ثابت است.

سیستم مثال:

• 2x + 3y = 8
• 4x - y = 2

فرم ماتریس: A = [[2, 3], [4, -1]], x = [[x], [y]], b = [[8], [2]]

راه حل با استفاده از معکوس:x = A-1 · b

• det ((A) = 2 ((-1) - 3 ((4) = -2 - 12 = -14
• A-1 = (1/-14) x [[-1, -3]، [-4, 2]] = [[1/14, 3/14], [4/14, -2/14]]
• x = A-1 · b = [[1/14 x 8 + 3/14 x 2]] ، [4/14 x 8 + (-2/14) x 2]] = [[1], [2]]
• راه حل: x = 1، y = 2

قانون کرامرروش دیگری است: برای هر متغیر، ستون آن را در ماتریس ضریب با وکتور ثابت جایگزین کنید و تعیین کننده حاصل را به تعیین کننده اصلی تقسیم کنید. برای مثال بالا:

• x = det ((8, 3، [2, -1]]) / det ((A) = (-8 - 6) / (-14) = -14 / -14 = 1
• y = det ((2, 8، [4, 2]]) / det ((A) = (4 - 32) / (-14) = -28 / -14 = 2

برای سیستم های بزرگ (n > 3)حذف گاوسی(کاهش ردیف) از نظر محاسباتی کارآمدتر از معکوس ماتریس یا قانون کرامر است و الگوریتم استاندارد مورد استفاده رایانه ها است.

انواع ماتریس های خاص مرجع

انواع مختلف ماتریس دارای خواص منحصر به فردی هستند که محاسبات را ساده می کنند و اغلب در برنامه های کاربردی خاص ظاهر می شوند:

درک انواع ماتریس ها به انتخاب الگوریتم مناسب کمک می کند. به عنوان مثال، اگر شما می دانید که یک ماتریس متعادل مثبت است، تجزیه کولسکی دو برابر سریعتر از تجزیه LU عمومی برای حل سیستم های خطی است.

کاهش ردیف (از بین بردن گاوسی) گام به گام

حذف گاوسیاین الگوریتم به طور گسترده ای برای حل سیستم معادلات خطی، محاسبه تعیین کننده ها و پیدا کردن معکوس ماتریس استفاده می شود. هدف این است که ماتریس را بهفرم طبقه بندی ردیف(سه گانه بالا) با استفاده از سه عملیات صف ابتدایی:

1. دو صف رو عوض کن
2. ضرب یک ردیف با یک اسکالار غیر صفر
3. اضافه کردن چند برابر یک ردیف به ردیف دیگر

مثال کار شده -- حل: x + 2y + z = 9، 2x - y + 3z = 8، 3x + y - z = 2

ماتریس افزوده:

مرحله اول:R2 <- R2 - 2xR1: [0, -5, 1 ∙ -10]

مرحله دوم:R3 <- R3 - 3xR1: [0, -5, -4 ] -25]

مرحله سوم:R3 <- R3 - R2: [0،0،-5] -15

در حال حاضر در فرم ردیف پله. به عقب جایگزین: z = -15 / -5 = 3; y = (-10 - 1x3) / -5 = -13 / -5 = 2.6; x = 9 - 2(2.6) - 3 = 0.8

راه حل: x = 0.8، y = 2.6، z = 3. با تعویض مجدد به معادلات اصلی بررسی کنید.

حذف گاوسی پیچیدگی زمانی O ((n3) دارد و پایه و اساس اکثر نرم افزارهای جبر خطی عددی از جمله MATLAB ، NumPy و LAPACK است. برای سیستم های بسیار بزرگ پراکنده (میلیونها متغیر) ، روش های تکراری مانند گرادیان مجاور کارآمدتر هستند.

ماتریس در یادگیری ماشین و علم داده

یادگیری ماشینی مدرن بر اساس عملیات ماتریس ساخته شده است. درک ماتریس برای هر کسی که در هوش مصنوعی، علم داده یا یادگیری عمیق کار می کند ضروری است:

عبور جلو شبکه عصبی:هر لایه از یک شبکه عصبی یک ضرب ماتریس و سپس یک تابع فعال سازی را انجام می دهد. برای لایه ای با وکتور ورودیx(nx1) ، ماتریس وزنW(mxn) و وکتور انحرافb(mx1):خروجی = فعال سازی ((W·x + b)یک شبکه عصبی عمیق با ۱۰ لایه ۱۰ چنین ضرب ماتریس را در هر استنباط انجام می دهد.

آموزش (ترویج به عقب)شامل محاسبه گرادیان ها از طریق قاعده زنجیره ای است که به عنوان یک سری از انتقال ماتریس و ضرب ها که از طریق شبکه به عقب کار می کنند، اجرا می شود. گرادیان از دست دادن نسبت به هر ماتریس وزن برای به روز رسانی وزن محاسبه می شود.

مدل های بزرگ زبان مانند GPT-4 حاوی صدها میلیارد پارامتر هستند که در ماتریس های وزن سازماندهی شده اند. آموزش شامل ضرب کردن ماتریس ها با میلیاردها عنصر است -- به همین دلیل آموزش مدل های بزرگ هوش مصنوعی نیاز به هزاران GPU دارد که به صورت موازی برای هفته ها اجرا می شوند، با هزینه ای بیش از 100 میلیون دلاری. کل انقلاب هوش مصنوعی، در هسته ریاضی آن، یک تمرین در ضرب ماتریس بسیار بزرگ و بسیار سریع است.

اشتباهات متداول ماتریس و چگونگی اجتناب از آنها

دانش آموزان و متخصصان هنگام کار با ماتریس ها اغلب این اشتباهات را مرتکب می شوند:

مهم ترین عادت در هنگام کار با ماتریس:همیشه اندازه ها رو بنویساز هر ماتریس قبل از انجام عملیات. این اشتباهات عدم تطابق ابعاد را بلافاصله می گیرد و ابعاد نتیجه مورد انتظار را قبل از شروع محاسبات روشن می کند.

عملیات ماتریس: آنچه که می توانید محاسبه کنید

ماتریس یک آرایه مستطیل از اعداد است که در ردیف ها و ستون ها مرتب شده است. عملیات ماتریس برای جبر خطی ، گرافیک کامپیوتری ، یادگیری ماشین ، مهندسی و علم داده اساسی است.

ضرب ماتریستبادلی نیست: AxB ≠ BxA به طور کلی. ماتریس هویت (I) دارای 1s در قطب نما و 0s در جای دیگر است؛ ضرب هر ماتریس با I ماتریس اصلی را باز می گرداند. ماتریس ها در گرافیک سه بعدی برای چرخش، مقیاس بندی و تبدیل ترجمه به هر نوک در یک صحنه استفاده می شوند.