Tags
第 5 頁
機器學習
貝氏定理：用「新證據」更新機率，AI與統計的核心
奇異值分解 (SVD)：將任意矩陣分解為旋轉和縮放，應用於資料壓縮與AI
最小平方法：用線性代數尋找散點數據的「最佳擬合直線」
格拉姆-施密特正交化：將扭曲的基底向量重新排列為整齊的相互垂直向量的演算法
特徵值與特徵向量：矩陣變換中「方向不變」的特殊向量及其應用
