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)

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：

在對抗訓練中，對抗樣本的生成通常涉及雅可比矩陣的：

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

在核嶺回歸中，核矩陣的特徵值衰減速度決定：

在貝葉斯線性回歸中，後驗協方差矩陣的逆等於：

在變分自編碼器(VAE)中，KL散度正則化項對應於潛在空間的：

在資料探勘中，相關係數矩陣的特性是：

在元學習(meta-learning)中，模型無關的元學習(MAML)的二階導數涉及：

Ridge回歸（L2正則化）的解為：

正交矩陣 Q 滿足：

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：

在機器學習中，資料標準化的目的是：

在線性回歸中，設計矩陣 X 的維度通常為：

在機器學習中，維度詛咒指的是：

PCA中，累積解釋變異數比例用於：

在持續學習中，防止災難性遺忘的彈性權重整合(EWC)方法使用：

對稱矩陣的重要性質是：

矩陣乘法 AB 存在的必要條件是：

對於圖的Cheeger常數，其與拉普拉斯矩陣的關係是：