선형 대수학은 겁나게 들리지만 핵심 아이디어는 놀라울 정도로 구체적입니다. 벡터, 행렬 및 이들 사이의 연산은 물리 시뮬레이션부터 기계 학습 모델까지 모든 것을 설명합니다. 이 가이드는 고급 표기법이 필요하지 않은 기본 사항에 접근할 수 있도록 해줍니다.
벡터란 무엇입니까?
벡터는 단순히 크기(크기)와 방향을 모두 갖는 양입니다. 2D에서 v = [3, 4]와 같은 벡터는 "오른쪽으로 3단위, 위로 4단위 이동"을 의미합니다. 3D에서는 세 번째 구성요소인 v = [3, 4, 2]를 추가합니다.
기하학적으로 벡터는 원점에서 한 점으로의 화살표입니다. 대수적으로는 숫자(구성 요소)의 순서가 지정된 목록입니다. 두 보기 모두 동일하게 유효하며 지속적으로 전환하게 됩니다.
벡터의 크기(길이)는 n 차원으로 일반화된 피타고라스 정리를 사용합니다.
|v| = √(v₁² + v₂² + v₃²)
v = [3, 4]의 경우: |v| = √(9 + 16) = √25 = 5
단위 벡터의 크기는 정확히 1입니다. 벡터를 단위 벡터로 변환하려면 각 구성 요소를 크기로 나눕니다: v̂ = v / |v|.
벡터 덧셈과 스칼라 곱셈
두 벡터는 구성요소별로 추가됩니다.
[1, 2, 3] + [4, 5, 6] = [5, 7, 9]
기하학적으로 이는 "머리에서 꼬리까지" 규칙입니다. 두 번째 벡터의 꼬리를 첫 번째 벡터의 머리에 배치합니다.
스칼라(일반 숫자)를 곱하면 각 구성 요소의 크기가 조정됩니다.
3 × [1, 2, 3] = [3, 6, 9]
양의 스칼라는 벡터를 늘립니다. -1의 스칼라는 방향을 바꿉니다. 0과 1 사이의 스칼라는 축소됩니다.
내적
두 벡터의 내적은 스칼라(단일 숫자)를 생성합니다.
A·B = a₁b₁ + a₂b₂ + a₃b₃
A = [1, 2, 3] 및 B = [4, 5, 6]의 경우:
A·B = (1×4) + (2×5) + (3×6) = 4 + 10 + 18 = 32
기하학적 의미는 더욱 드러납니다.
A·B = |A| × |B| × cos(θ)
여기서 θ는 벡터 사이의 각도입니다. 이는 우리에게 다음과 같은 중요한 통찰력을 제공합니다.
- A·B > 0: 각도 < 90° — 벡터는 거의 같은 방향을 가리킵니다.
- A·B = 0: 각도 = 90° — 벡터는 **수직(직교)**입니다.
- A·B < 0: 각도 > 90° — 벡터는 거의 반대 방향을 가리킵니다.
내적은 응용 수학의 모든 곳에 있습니다. 머신러닝은 코사인 유사성(내적을 크기의 곱으로 나눈 값)을 사용하여 문서와 사용자 선호도를 비교합니다. 물리학에서는 이를 사용하여 작업을 계산합니다. W = F·d(점 변위 강제).
교차곱
교차곱은 3D에서만 작동하며 두 입력에 수직인 벡터(스칼라 아님)를 생성합니다.
A × B = [a₂b₃ - a₃b₂, a₃b₁ - a₁b₃, a₁b₂ - a₂b₁]
방향은 오른손 법칙을 따릅니다. 손가락을 A 방향으로 가리키고, B 방향으로 구부리고, 엄지 손가락을 A × B 방향으로 가리킵니다.
A × B의 크기는 두 벡터에 걸쳐 있는 평행사변형의 면적과 같습니다.
|A × B| = |A| × |B| × sin(θ)
내적과 달리 교차곱은 반교환적입니다. A × B = −(B × A).
응용 프로그램: 물리학의 토크는 τ = r × F입니다. 컴퓨터 그래픽의 표면 법선(표면이 향하는 방향)은 모서리 벡터의 교차 곱으로 계산됩니다.
매트릭스란 무엇입니까?
행렬은 행과 열로 구성된 직사각형 숫자 배열입니다. 3×2 행렬에는 3개의 행과 2개의 열이 있습니다.
행렬은 선형 변환, 즉 벡터를 늘리거나 회전하거나 반사하거나 기울이는 기능을 나타냅니다. 벡터에 행렬을 곱하면 변환됩니다.
2×2 행렬 A 및 벡터 v의 경우:
A = [[3, 0], v = [1] Av = [3×1 + 0×2] = [3]
[0, 2]] [2] [0×1 + 2×2] [4]
이 변환은 x 구성요소의 크기를 3으로, y 구성요소의 크기를 2로 조정합니다.
행렬 곱셈
두 행렬 A와 B를 곱하여 행렬 C = AB를 제공합니다. 여기서 각 요소 c_ij는 A의 행 i와 B의 열 j의 내적입니다.
[1, 2] × [5, 6] = [(1×5 + 2×7), (1×6 + 2×8)] = [19, 22]
[3, 4] [7, 8] [(3×5 + 4×7), (3×6 + 4×8)] [43, 50]
중요 규칙:
- AB는 A의 열 수가 B의 행 수와 같은 경우에만 정의됩니다.
- 행렬 곱셈은 일반적으로 가환적이지 않습니다: AB ≠ BA
행렬식
정사각 행렬의 행렬식은 행렬이 면적(2D) 또는 부피(3D)의 크기를 얼마나 조정하는지 알려주는 스칼라입니다.
2×2 행렬의 경우:
det [[a, b]] = ad - bc
[[c, d]]
| 행렬식 값 | 의미 |
|---|---|
| 데 > 0 | 변환 시 방향이 유지됩니다. |
| 데 < 0 | 변환 반영(방향 반전) |
| 데트 | |
| 데트 | |
| 데트 = 0 | 변환은 단수형입니다. 더 낮은 차원으로 스쿼시됩니다. |
det = 0이면 행렬은 단수형입니다. 즉, 역행렬이 없고, 그것이 나타내는 방정식 시스템에는 해가 없거나 무한히 많습니다.
매트릭스 역행렬
역 A⁻1은 AA⁻1 = I(단위 행렬)을 충족합니다. det(A) ≠ 0인 경우에만 존재합니다.
2×2 행렬의 경우:
A = [[a, b]] A⁻¹ = (1/det) × [[ d, -b]]
[[c, d]] [[-c, a]]
역행렬은 선형 방정식 시스템을 푸는 데 사용됩니다. 즉, Ax = b이면 x = A⁻¹b입니다.
실제로 대규모 시스템은 A⁻1를 직접 계산하는 대신 가우스 제거를 통해 해결됩니다. 이는 수치적으로 더 효율적이고 안정적입니다.
고유값과 고유벡터
행렬 A의 고유벡터는 A로 변환할 때 크기만 조정되는(회전되지 않음) 특수 벡터 v입니다.
Av = λv
스칼라 λ는 해당 고유값입니다. 이는 고유벡터가 얼마나 늘어나거나 줄어들었는지 알려줍니다.
고유값을 찾으려면 특성 방정식을 풀어야 합니다.
det(A - λI) = 0
2×2 행렬의 경우 이는 (보통) 두 개의 해를 갖는 2차 방정식을 제공합니다.
고유값이 왜 중요한가요?
- 주성분 분석(PCA): 데이터 공분산 행렬의 고유벡터는 최대 분산의 방향을 정의합니다. 즉, 정보를 보존하면서 차원성을 줄이는 "주성분"입니다.
- Google PageRank: 웹 링크 행렬의 주요 고유 벡터는 임의의 웹 서핑자의 고정 분포를 제공합니다.
- 양자 역학: 관찰 가능한 양(에너지 수준, 스핀 상태)은 연산자의 고유값입니다.
극좌표
선형 대수학의 일부는 아니지만 좌표계는 변환과 관련이 있습니다. 극좌표는 원점으로부터의 거리 r과 양의 x축으로부터의 각도 θ로 모든 2D 점을 나타냅니다.
시스템 간 변환:
Cartesian → Polar: r = √(x² + y²), θ = atan2(y, x)
Polar → Cartesian: x = r cos(θ), y = r sin(θ)
극좌표는 원 및 회전과 관련된 많은 문제를 단순화합니다. 데카르트식의 복잡한 방정식은 극좌표 형식에서는 우아해집니다.
모든 것을 하나로 묶기
선형 대수학의 힘은 단일 수학적 객체로서 많은 변수를 동시에 사용할 수 있다는 사실에서 비롯됩니다. 수백만 개의 매개변수가 있는 기계 학습 모델은 일련의 행렬 곱셈과 비선형 함수일 뿐입니다. 3D 게임 엔진은 회전, 크기 조정 및 투영 행렬을 통해 초당 수백만 개의 정점을 변환합니다.
벡터, 내적, 행렬, 행렬식 등 기본 요소는 모든 것의 기초입니다.
내적 계산기, 외적 계산기, 행렬 행렬식 계산기, 행렬 역행 계산기를 사용하세요. 고유값 계산기를 사용하여 이러한 개념을 대화형으로 살펴보세요.