אלגברה ליניארית למדעי הנתונים

מוטיבציה

מטריצות הן כלי יסודי במדעי הנתונים. הן מאפשרות לנו לייצג מידע מורכב בצורה מסודרת ונוחה לעיבוד, כמו תמונות, נתונים כלכליים, רשתות חברתיות, היסטוריית רכישות ועוד.

הסבר תיאורטי

מטריצה היא טבלה של מספרים המסודרת בשורות ובעמודות. המימדים של מטריצה נתונים על ידי מספר השורות (m) ומספר העמודות (n), ונהוג לסמן זאת כ-\(m \times n\). כל איבר במטריצה מסומן על ידי \(A_{ij}\), כאשר \(i\) הוא אינדקס השורה ו-\(j\) הוא אינדקס העמודה.

דוגמת קוד בפייתון

import numpy as np

# Creating a matrix using NumPy
A = np.array([
    [0, 1, -2.3, 0.1], 
    [1.3, 4, -0.1, 0], 
    [4.1, -1.0, 0, 1.7]
])

# Get matrix dimensions
print(f"Matrix shape: {A.shape}")

# Accessing an element A_3,1 (row 3, col 1)
# Note: Python uses 0-based indexing, so we use [2, 0]
element = A[2, 0]
print(f"The element A[2, 0] is: {element}")
                    

מוטיבציה

למטריצות מיוחדות יש תכונות מתמטיות חשובות המקלות על חישובים ומשמשות כבסיס לאלגוריתמים רבים בתחומים כמו גרפיקה ממוחשבת, הסתברות ולמידת מכונה.

הסבר תיאורטי

מטריצת יחידה (\(I_n\)): מטריצה ריבועית עם 1 באלכסון הראשי ו-0 בכל מקום אחר. היא מקבילה למספר 1 בעולם המטריצות.

מטריצה סטוכסטית: מטריצה ריבועית שכל איבריה אי-שליליים וסכום כל שורה הוא 1. משמשת לתיאור תהליכים הסתברותיים.

דוגמת קוד בפייתון

import numpy as np

# Creating a 4x4 identity matrix
identity_matrix = np.identity(4)
print("Identity matrix I_4:")
print(identity_matrix)

# Creating a zeros matrix
zeros_matrix = np.zeros((2, 3))
print("\nZeros matrix 2x3:")
print(zeros_matrix)
                    

כלי אינטראקטיבי: יצירת מטריצת יחידה

כלי אינטראקטיבי: בדיקת מטריצה סטוכסטית

מוטיבציה

פעולות בסיסיות כמו חיבור, חיסור וכפל בסקלר מאפשרות לנו לבצע מניפולציות על נתונים. למשל, ניתן להגדיל את הבהירות של תמונה (כפל בסקלר) או לחבר שתי תמונות (חיבור מטריצות).

הסבר תיאורטי

חיבור וחיסור: ניתן לחבר או לחסר שתי מטריצות רק אם הן בעלות אותם מימדים. הפעולה מתבצעת איבר-איבר. \((A+B)_{ij} = A_{ij} + B_{ij}\)

כפל בסקלר: הכפלת מטריצה במספר (סקלר) מתבצעת על ידי הכפלת כל איבר במטריצה באותו מספר.

דוגמת קוד בפייתון

import numpy as np

A = np.array([[0, 4], [7, 0], [3, 1]])
B = np.array([[1, 2], [2, 3], [0, 4]])

# Addition
C = A + B
print("A + B:")
print(C)

# Scalar Multiplication
scalar = -2
D = scalar * A
print(f"\n{scalar} * A:")
print(D)

# Transpose a matrix
A_T = A.T
print("\nTranspose of A:")
print(A_T)
                    

כלי אינטראקטיבי: חיבור וחיסור מטריצות