లీనియర్ బీజగణితం బెదిరింపుగా అనిపిస్తుంది, కానీ దాని ప్రధాన ఆలోచనలు చాలా స్పష్టంగా ఉన్నాయి. వెక్టర్స్, మాత్రికలు మరియు వాటి మధ్య కార్యకలాపాలు భౌతిక శాస్త్ర అనుకరణల నుండి యంత్ర అభ్యాస నమూనాల వరకు ప్రతిదీ వివరిస్తాయి. ఈ గైడ్ ఫండమెంటల్స్ని యాక్సెస్ చేయగలదు - అధునాతన సంజ్ఞామానం అవసరం లేదు.
వెక్టర్ అంటే ఏమిటి?
వెక్టర్ అనేది కేవలం పరిమాణం (పరిమాణం) మరియు దిశ రెండింటితో కూడిన పరిమాణం. 2Dలో, v = [3, 4] వంటి వెక్టర్ అంటే "3 యూనిట్లను కుడివైపుకు మరియు 4 యూనిట్లను పైకి తరలించు." 3Dలో, మీరు మూడవ భాగాన్ని జోడిస్తారు: v = [3, 4, 2].
జ్యామితీయంగా, వెక్టర్ అనేది మూలం నుండి ఒక బిందువు వరకు ఉన్న బాణం. బీజగణితం ప్రకారం, ఇది సంఖ్యల (భాగాలు) ఆర్డర్ చేసిన జాబితా. రెండు వీక్షణలు సమానంగా చెల్లుతాయి మరియు మీరు వాటి మధ్య నిరంతరం మారుతూ ఉంటారు.
వెక్టర్ యొక్క మాగ్నిట్యూడ్ (పొడవు) n కొలతలకు సాధారణీకరించబడిన పైథాగరియన్ సిద్ధాంతాన్ని ఉపయోగిస్తుంది:
|v| = √(v₁² + v₂² + v₃²)
v = [3, 4] కోసం: |v| = √(9 + 16) = √25 = 5
ఒక యూనిట్ వెక్టర్ మాగ్నిట్యూడ్ ఖచ్చితంగా 1. ఏదైనా వెక్టార్ను యూనిట్ వెక్టర్గా మార్చడానికి, ప్రతి కాంపోనెంట్ను పరిమాణంతో విభజించండి: v̂ = v / |v|.
వెక్టర్ అడిషన్ మరియు స్కేలార్ గుణకారం
రెండు వెక్టర్స్ కాంపోనెంట్ వారీగా జోడిస్తుంది:
[1, 2, 3] + [4, 5, 6] = [5, 7, 9]
జ్యామితీయంగా ఇది "హెడ్-టు-టెయిల్" నియమం — రెండవ వెక్టర్ యొక్క తోకను మొదటి వెక్టర్ తలపై ఉంచండి.
స్కేలార్ (సాధారణ సంఖ్య) ద్వారా గుణించడం ప్రతి భాగాన్ని స్కేల్ చేస్తుంది:
3 × [1, 2, 3] = [3, 6, 9]
సానుకూల స్కేలార్లు వెక్టర్ను విస్తరించాయి; −1 స్కేలార్ దాని దిశను తిప్పికొడుతుంది; 0 మరియు 1 మధ్య స్కేలార్లు దానిని కుదించాయి.
డాట్ ఉత్పత్తి
రెండు వెక్టర్స్ యొక్క డాట్ ఉత్పత్తి స్కేలార్ను ఉత్పత్తి చేస్తుంది (ఒకే సంఖ్య):
A·B = a₁b₁ + a₂b₂ + a₃b₃
A = [1, 2, 3] మరియు B = [4, 5, 6] కోసం:
A·B = (1×4) + (2×5) + (3×6) = 4 + 10 + 18 = 32
రేఖాగణిత అర్థం మరింత స్పష్టంగా ఉంది:
A·B = |A| × |B| × cos(θ)
ఇక్కడ θ అనేది వెక్టర్స్ మధ్య కోణం. ఇది మాకు క్లిష్టమైన అంతర్దృష్టిని ఇస్తుంది:
- A·B > 0: యాంగిల్ < 90° — వెక్టర్స్ దాదాపు ఒకే దిశను సూచిస్తాయి
- A·B = 0: కోణం = 90° — వెక్టర్స్ లంబంగా (ఆర్తోగోనల్)
- A·B < 0: కోణం > 90° — వెక్టర్స్ దాదాపు వ్యతిరేక దిశలను సూచిస్తాయి
అనువర్తిత గణితంలో డాట్ ఉత్పత్తి ప్రతిచోటా ఉంటుంది. మెషిన్ లెర్నింగ్ డాక్యుమెంట్లు మరియు వినియోగదారు ప్రాధాన్యతలను సరిపోల్చడానికి కొసైన్ సారూప్యత (డాట్ ఉత్పత్తి మాగ్నిట్యూడ్ల ఉత్పత్తితో విభజించబడింది) ఉపయోగిస్తుంది. పనిని లెక్కించడానికి భౌతికశాస్త్రం దీనిని ఉపయోగిస్తుంది: W = F·d (ఫోర్స్ డాట్ డిస్ప్లేస్మెంట్).
క్రాస్ ఉత్పత్తి
క్రాస్ ఉత్పత్తి 3Dలో మాత్రమే పని చేస్తుంది మరియు రెండు ఇన్పుట్లకు లంబంగా వెక్టార్ను (స్కేలార్ కాదు) ఉత్పత్తి చేస్తుంది:
A × B = [a₂b₃ - a₃b₂, a₃b₁ - a₁b₃, a₁b₂ - a₂b₁]
దిశ కుడి చేతి నియమంను అనుసరిస్తుంది: మీ వేళ్లను A దిశలో చూపండి, వాటిని B వైపుకు ముడుచుకోండి మరియు మీ బొటనవేలు A × B దిశలో చూపండి.
A × B యొక్క పరిమాణం రెండు వెక్టర్స్ ద్వారా విస్తరించిన సమాంతర చతుర్భుజ వైశాల్యానికి సమానం:
|A × B| = |A| × |B| × sin(θ)
డాట్ ఉత్పత్తి వలె కాకుండా, క్రాస్ ప్రొడక్ట్ యాంటీ కమ్యుటేటివ్: A × B = -(B × A).
అప్లికేషన్స్: భౌతిక శాస్త్రంలో టార్క్ τ = r × F. కంప్యూటర్ గ్రాఫిక్స్లో సర్ఫేస్ నార్మల్లు (ఉపరితలం ఎదుర్కొనే దిశ) అంచు వెక్టర్ల క్రాస్ ప్రొడక్ట్లుగా గణించబడతాయి.
మ్యాట్రిక్స్ అంటే ఏమిటి?
మాతృక అనేది వరుసలు మరియు నిలువు వరుసలలో నిర్వహించబడిన దీర్ఘచతురస్రాకార సంఖ్యల శ్రేణి. 3×2 మాతృకలో 3 అడ్డు వరుసలు మరియు 2 నిలువు వరుసలు ఉంటాయి.
మాత్రికలు రేఖీయ పరివర్తనలను సూచిస్తాయి — వెక్టార్లను సాగదీయడం, తిప్పడం, ప్రతిబింబించడం లేదా కత్తిరించడం వంటి విధులు. వెక్టర్ను మాతృకతో గుణించడం దానిని మారుస్తుంది.
2×2 మాతృక A మరియు వెక్టర్ v కోసం:
A = [[3, 0], v = [1] Av = [3×1 + 0×2] = [3]
[0, 2]] [2] [0×1 + 2×2] [4]
ఈ పరివర్తన x-భాగాన్ని 3చే మరియు y-భాగాన్ని 2చే స్కేల్ చేస్తుంది.
మాతృక గుణకారం
మాతృక C = AB ఇవ్వడానికి రెండు మాత్రికలు A మరియు B గుణించబడతాయి, ఇక్కడ ప్రతి మూలకం c_ij అనేది B యొక్క కాలమ్ jతో A యొక్క వరుస i యొక్క చుక్క ఉత్పత్తి.
[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]
క్లిష్టమైన నియమాలు:
- Aలోని నిలువు వరుసల సంఖ్య Bలోని అడ్డు వరుసల సంఖ్యకు సమానమైనప్పుడు మాత్రమే AB నిర్వచించబడుతుంది
- మాతృక గుణకారం సాధారణంగా మార్పిడి కాదు: AB ≠ BA
డిటర్మినెంట్
స్క్వేర్ మ్యాట్రిక్స్ యొక్క నిర్ధారణ అనేది మాతృక స్కేల్ వైశాల్యం (2Dలో) లేదా వాల్యూమ్ (3Dలో) ఎంత అని మీకు తెలియజేసే స్కేలార్.
2×2 మాతృక కోసం:
det [[a, b]] = ad - bc
[[c, d]]
| నిర్ణయాత్మక విలువ | అర్థం |
|---|---|
| det > 0 | పరివర్తన ధోరణిని సంరక్షిస్తుంది |
| det < 0 | పరివర్తన ప్రతిబింబిస్తుంది (విన్యాసాన్ని తిప్పికొట్టడం) |
| det | |
| det | |
| det = 0 | రూపాంతరం ఏకవచనం - తక్కువ పరిమాణానికి స్క్వాష్లు |
det = 0 అయినప్పుడు, మాతృక ** ఏకవచనం** - దీనికి విలోమం ఉండదు మరియు అది సూచించే సమీకరణాల వ్యవస్థకు పరిష్కారం లేదా అనంతమైన అనేకం ఉంటాయి.
మ్యాట్రిక్స్ విలోమం
విలోమం A⁻¹ AA⁻¹ = I (గుర్తింపు మాతృక)ను సంతృప్తిపరుస్తుంది. ఇది det(A) ≠ 0 ఉన్నప్పుడు మాత్రమే ఉంటుంది.
2×2 మాతృక కోసం:
A = [[a, b]] A⁻¹ = (1/det) × [[ d, -b]]
[[c, d]] [[-c, a]]
రేఖీయ సమీకరణాల వ్యవస్థలను పరిష్కరించడానికి మాతృక విలోమాలు ఉపయోగించబడతాయి: Ax = b అయితే, x = A⁻¹b.
ఆచరణలో, పెద్ద వ్యవస్థలు A⁻¹ని నేరుగా గణించడం కంటే గాస్సియన్ తొలగింపు ద్వారా పరిష్కరించబడతాయి - సంఖ్యాపరంగా మరింత సమర్థవంతంగా మరియు స్థిరంగా ఉంటాయి.
Eigenvalues మరియు Eigenvectors
మాతృక A యొక్క ఈజెన్వెక్టర్ అనేది ఒక ప్రత్యేక వెక్టార్ v, ఇది A ద్వారా రూపాంతరం చెందినప్పుడు, మాత్రమే స్కేల్ చేయబడుతుంది (తిప్పడం లేదు):
Av = λv
స్కేలార్ λ అనేది సంబంధిత ఈజెన్వాల్యూ — ఇది ఈజెన్వెక్టార్ ఎంతవరకు విస్తరించబడిందో లేదా కుంచించుకుపోతుందో మీకు తెలియజేస్తుంది.
ఈజెన్వాల్యూలను కనుగొనడానికి, లక్షణ సమీకరణాన్ని పరిష్కరించండి:
det(A - λI) = 0
2×2 మాతృక కోసం ఇది (సాధారణంగా) రెండు పరిష్కారాలతో వర్గ సమీకరణాన్ని ఇస్తుంది.
ఈజెన్వాల్యూస్ ఎందుకు ముఖ్యమైనవి?
- ప్రిన్సిపల్ కాంపోనెంట్ అనాలిసిస్ (PCA): డేటా కోవియారిన్స్ మ్యాట్రిక్స్ యొక్క ఈజెన్వెక్టర్లు గరిష్ట వైవిధ్యం యొక్క దిశలను నిర్వచిస్తాయి — సమాచారాన్ని సంరక్షించేటప్పుడు డైమెన్షియాలిటీని తగ్గించే "ప్రిన్సిపల్ కాంపోనెంట్స్"
- Google పేజ్ర్యాంక్: వెబ్ లింక్ మ్యాట్రిక్స్ యొక్క ఆధిపత్య ఈజెన్వెక్టర్ యాదృచ్ఛిక వెబ్ సర్ఫర్ యొక్క స్థిర పంపిణీని అందిస్తుంది
- క్వాంటం మెకానిక్స్: గమనించదగిన పరిమాణాలు (శక్తి స్థాయిలు, స్పిన్ స్థితులు) ఆపరేటర్ల ఈజెన్వాల్యూలు
పోలార్ కోఆర్డినేట్స్
సరళ బీజగణితంలో ఖచ్చితంగా భాగం కానప్పటికీ, కోఆర్డినేట్ సిస్టమ్లు పరివర్తనలకు సంబంధించినవి. పోలార్ కోఆర్డినేట్లు ఏదైనా 2D పాయింట్ని దాని మూలం నుండి దూరం r మరియు సానుకూల x-అక్షం నుండి కోణం θ ద్వారా సూచిస్తాయి.
వ్యవస్థల మధ్య మార్పిడి:
Cartesian → Polar: r = √(x² + y²), θ = atan2(y, x)
Polar → Cartesian: x = r cos(θ), y = r sin(θ)
పోలార్ కోఆర్డినేట్లు వృత్తాలు మరియు భ్రమణానికి సంబంధించిన అనేక సమస్యలను సులభతరం చేస్తాయి - కార్టేసియన్లో సంక్లిష్టంగా ఉండే సమీకరణాలు ధ్రువ రూపంలో సొగసైనవిగా మారతాయి.
అన్నింటినీ కలిపి ఉంచడం
ఒకే గణిత వస్తువుగా ఏకకాలంలో అనేక వేరియబుల్స్తో పని చేయడానికి ఇది మిమ్మల్ని అనుమతిస్తుంది అనే వాస్తవం నుండి లీనియర్ బీజగణితం యొక్క శక్తి వచ్చింది. మిలియన్ల పారామితులతో కూడిన మెషీన్ లెర్నింగ్ మోడల్ అనేది మాతృక గుణకారాలు మరియు నాన్-లీనియర్ ఫంక్షన్ల క్రమం మాత్రమే. 3D గేమ్ ఇంజన్ రొటేషన్, స్కేలింగ్ మరియు ప్రొజెక్షన్ మ్యాట్రిక్లతో సెకనుకు మిలియన్ల శీర్షాలను మారుస్తోంది.
ఫండమెంటల్స్ - వెక్టర్స్, డాట్ ప్రొడక్ట్స్, మ్యాట్రిక్స్, డిటర్మినెంట్స్ - వీటన్నింటికీ పునాది.
మా డాట్ ఉత్పత్తి కాలిక్యులేటర్, Cross Product Calculator, Matrix Determinant Calculator, Matrix-determinant) కాలిక్యులేటర్, మరియు Eigenvalue Calculator ఈ భావనలను ఇంటరాక్టివ్గా అన్వేషించడానికి.