# Linear Algebra for Machine Learning and Data Science(Week1: System of linear equations: 2 variables)
###### tags: `coursera` `Linear Algebra` `math`
[week1](https://www.coursera.org/learn/machine-learning-linear-algebra/home/week/1)
## System of sentences
[課程連結](https://www.coursera.org/learn/machine-learning-linear-algebra/lecture/BDr2p/system-of-sentences)
### System of sentences

systems of sentences能帶來的訊息是很重要的，以上面三個system為例：
1. System1：完整，狗是黑的，貓是橘的
2. System2：冗餘的，因為狗是黑的說了兩次，同樣的話說一次就夠了
3. System3：矛盾，因為狗又是黑又是白，那到底是黑還是白

很明顯的，能帶來的訊息愈多就愈有用。如果系統是冗餘或是矛盾的話，那又稱為singular system，即為[奇異系統](https://terms.naer.edu.tw/detail/65b876ddd03438619a7294b411d6df1e/)。如果是完整的話，那就稱為non-singular system。

### System of sentences

system of sentences並非只能帶兩句話，事實上它可以承載任何你想要的數量。上面給出的是三句話的範例。一樣的，system2、system3一樣是冗餘的，因為同樣的話說了多次；system4則為矛盾的，因為狗不能又黑又白。

後面的課程中就會提到如何去瞭解一個system of sentence有多麼的冗餘(利用rank)。
## System of equations
[課程連結](https://www.coursera.org/learn/machine-learning-linear-algebra/lecture/COB7L/system-of-equations)
### System of equations

上一堂課已經學到system of sentences，基本上這個概念跟system of equations是差不多的。

上面範例最左邊是我們上一堂課學習到的，也就是貓貓狗狗的顏色。接下來我們要瞭解的就是中間，以數值來陳述，蘋果跟香蕉總共要10元，這可以用最右邊的方程式來表述。

### Solution: Systems of equations 1

這是課程中的一個範例，非常簡單：
1. 第一天買蘋果跟香蕉花10元
2. 第二天買蘋果跟兩根香蕉花12元

蘋果跟香蕉各多少錢？

啊第二天多一根香蕉多2元，當然就是香蕉2元，蘋果8元。

### Solution: Systems of equations 2

這個問題是：
1. 蘋果跟香蕉總共10元
2. 2顆蘋果跟2根香蕉總共20元

仔細看一下會發現，這兩個句子是一樣的，冗餘的，所以根本沒有足夠的信息可以讓我們求解，帶入任何的價格都會成立，無窮解的概念。

### Solution: Systems of equations 3

這個問題是：
1. 蘋果跟香蕉總共10元
2. 2顆蘋果跟2根香蕉總共24元

這很有問題，矛盾了，蘋果跟香蕉一起買又是10元又是12元的。有鬼。所以我們可以得到一個結論，這個方程式是沒有解的。

### Systems of equations

總結剛剛的三個範例：
1. 第一個範例有完整的信息，所以能得到一個唯一解，因此這個system是完整的，而且是非奇異(non-singular)
2. 第二個範例給的訊息是冗餘(Redundant)的，無窮解，而且是奇異(singular)
3. 第三個沒有解，因為互相矛盾(Contradictory)，而且是奇異(singular)

### What is a linear equation?

我們已經聽到多次的linear equation(線性方程式)，它是什麼？它可以是任何你想要有多少變數(variables)都可以的描述，唯一的限制就是在描述中的a、b、c就只能是numbers或是scalar在它們的身邊。

相對的，non-linear就複雜多了。它可以是指數、正弦、餘弦、blablabla。

## System of equations as lines
[課程連結](https://www.coursera.org/learn/machine-learning-linear-algebra/lecture/uH6wX/system-of-equations-as-lines)

### Linear equation $\to$ line

事實上，lineaer equation是可以以『線』來表示，當然這是在兩個變數的情況下，但這是可以想像的。

以$a+b=10$這個線性方程式為例，在紙上畫面一個網格(grid)，假設橫軸是$a$(蘋果的價錢)，蹤軸是$b$(香蕉的價錢)。有兩個座標點非常明顯，就是$a=10, b=0$與$a=0, b=10$。剩下的就只要是$a+b=10$成立就可以(如上左圖所述)。

很明顯的，這些點可以連成一條線，而這條線上所經過的全部座標點都是這個線性方程式的解。上圖右只是另一個範例，這邊就不多做說明。

這兩個範例還另外可以說明兩個觀念：
1. 斜率(slope)：也就是上升率，上圖左的斜率為-1，因為你每向右邊一個單位就會同時向下一個單位，向下就是負，所以就是-1。上圖右的斜率則為-0.5，因為每向右一個單位就會向下0.5個單位
2. 截距項(y-intercept)：上圖左的截距為10，上圖右則為6，就是直線過y軸至原點的距離

### Linear equation $\to$ line(unique solution)

每個方程式都跟一條直線相關，那如果是system of two equations的話會發生什麼事？從上圖可以看的到，把剛剛的左右兩個方程式合併變會得到一個交叉點，這個交叉點(8, 2)就是一個唯一解，也就是上一堂課範例中得到的答案。

### Linear equation $\to$ line(infinitely solution)

如果把$a+b=10$與$2a+2b=20$的直線重疊會發現，這兩條線完全密合，跟剛剛有一個交叉點是不一樣的情況。這代表每一個解都是一個解，也就是擁有無限多組解。

### Linear equation $\to$ line(no solution)

這是第三種情況，兩條線平行，完全不會相交。這種情況下是無解的。

### System of equations as lines

總結來看剛剛的三種結果，我們可以說：
1. 能求到唯一解的是Complete、Non-singular
2. 無窮無解則是冗餘(Redundant)、Singualr
3. 無解則是矛盾(Contradictory)，Singular

## A geometric notion of singularity
[課程連結]

### System of equations as lines

這是上一節課程中最後的總結。三種結果，一個完成、一個冗餘、一個矛盾。不過，讓我們先把焦點放在singularity與non-sigularity。
### System of equations as lines

這時候我們需要做點小調整才能把三種分類轉變成兩種，也就是單純就分成奇異與非奇異。我們把關注點放在聯立方程式(system of equations)的常數項，也就是等號的右邊。

當我們把三組聯立方程式的常數項都設置為0的時候就會有像上圖的轉變。因為$a+b=0$，所以這三個聯立方程式都一定會有過原點的線。

system1、2都沒有變化。但system3的話就可以看的到，從不相交的兩條線性成重疊，從矛盾變冗餘，最重要的是，它仍然是Singular。

這意謂著，對於聯立方程式來說，是否為singular跟常數項是無關的。所以我們要判斷是不是singular就可以透過把常數項設置為0來觀察，而且那條線一定通過原點。

## Singular vs nonsingular matrices
[課程連結](https://www.coursera.org/learn/machine-learning-linear-algebra/lecture/aIIGL/singular-vs-nonsingular-matrices)

### Systems of equations as matrices

我們已經知道，聯立方程式的常數項對於是否為singular是沒有影響的。現在要帶入另一個觀念，也就是矩陣，matrix。矩陣可以用一種很自然的方式來表述聯立方程式的系數(coefficient)。

上圖範例可以看的到，我們將聯立方程式轉變為以矩陣來表述，取的聯立方程式的系數。而且矩陣就跟聯立方程式一樣可以是singular或是non-singular。如果還有印象的話就會記得，system1是non-singular matrix，因為它有唯一解。而system2則是singular，因為它有無限多組解。

## Linear dependence and independence
[課程連結](https://www.coursera.org/learn/machine-learning-linear-algebra/lecture/z6czq/linear-dependence-and-independence)

這邊就要來說明如何不利用求解整個聯立方程式來知道一個矩陣是singular或是non-singular。
### Linear dependence between rows

首先來看上圖右那個singular的案例，基本上可以看的出來，第二個row是第一個row乘上2得到的結果，這意謂著第二個row是dependent on第一個row。反過來說第一個row是第二個row乘上1/2也是說的過的。不管如何，只要任一個row是depend on另一個row的情況下，那它們就是linear dependence，也就是[線性相依](https://terms.naer.edu.tw/detail/7f8766218eae04e3c3f6c29851db7835/)。

上圖左的non-singular是看不到的類似的情況，基本上我們無法拿任一個row乘上某一個值來得到另一個row的結果，這意謂著這些row是linear independence，也就是[線性獨立](https://terms.naer.edu.tw/detail/98e3b5170430d19e68aa1b67f84789b6/)。

這種線性相依的概念在row、column都看的到，它們決定一個矩陣或是聯立方程式是否為奇異(singular)。

## The determinant
[課程連結](https://www.coursera.org/learn/machine-learning-linear-algebra/lecture/VB9HZ/the-determinant)

事實上能夠確定一個矩陣是否為奇異的方法不止一種，有很多種，這節課就來說說另一種，也就是determinant([行列式](https://terms.naer.edu.tw/detail/a1cd49660bf1098366e394a75299481a/))。這種方法很簡單，反正回傳0就代表是singular，非0就是non-singular。
### Linear dependence between rows

這邊單純的快速回憶一下上節課說過的線性相依與線性獨立的觀念。總之就是當一個row無法由另一個row乘上某一個值得到，那就是線性獨立。

### Determinant

現在我們來仔細瞧瞧這個矩陣，它有四個元素$a,b,c,d$，如果它是singular的話，那$a, b$這兩個元素去乘上$k$就會等於$c,d$，也就是說$ak=c, bk=d$，換句話說，$\dfrac{c}{a}=\dfrac{d}{b}=k$，讓我們把這個乘數$k$先忘掉就可以得到$ad=bc$，移動一下就可以得到$ad-bc =0$，我們把這個$ad-bc$的值稱為determinat of matrix，也就是矩陣的行列式，就是$ad-bc$。

現在我們就知道了，當$ad-bc =0$，那這個矩陣就是singular，反之則為non-singular。
### Determinant

這邊給出兩個範例，總之就是以對角相乘減去反對角相乘的結果來判斷矩陣是否為singular。
### Determinant and singularity

矩陣如果為singular，那它的Determinant就會是0。