iPAS AI應用規劃師(中級)科目3_ L23102 線性代數之機器學習基礎應用(1)

在主成分分析（PCA）中，主成分的方向由什麼決定？

在線性回歸中，設計矩陣 X 的維度通常為：

SVD在推薦系統中的主要應用是：

對於圖的標準化拉普拉斯矩陣L = I - D^(-1/2)AD^(-1/2)：

餘弦相似度的計算公式為：

對於協方差矩陣Σ，其逆矩陣Σ^(-1)在高維統計中的問題是：

在機器學習中，維度詛咒指的是：

在機器學習中，特徵工程的線性變換包括：

對於矩陣填補問題，核心挑戰是在觀測項目稀少時估計矩陣的：

協方差矩陣的對角元素代表：

特徵值方程式的一般形式為：

在增量PCA中，當新資料到達時，更新協方差矩陣的計算複雜度為：

對於稀疏編碼問題min ||x||_1 s.t. ||Ax - b||_2 ≤ ε，字典矩陣A的互相干性(mutual coherence)影響：

對於稀疏矩陣A，其條件數的估計複雜度通常是：

在核主成分分析(Kernel PCA)中，核矩陣K必須滿足：

在流形學習中，局部線性嵌入(LLE)的重構矩陣W滿足：

在線性分類器中，決策邊界是：

對於張量網路分解，矩陣乘積狀態(MPS)的鍵維度(bond dimension)控制：

兩個向量 u = [3, 4] 和 v = [1, 2] 的內積為：

在機器學習中，特徵向量通常表示為：