Σ

Phân Tích SVD

Toán Học🎓 Lớp 12-13
📖

Định Nghĩa

Phân tích suy biến (SVD) phân rã MỌI ma trận thành A=UΣVTA = U\Sigma V^T, làm sáng tỏ tất cả tính chất hình học cấu trúc số.
🧠

Lý Thuyết Chi Tiết

Trọng Tâm Lý Thuyết


  • Σ\Sigma mang các "Trị suy biến" (giảm dần). UU, VV là ma trận trực giao.

  • Thể hiện sự thật: một phép chuyển không gian tuyến tính luôn là sự phối hợp của 1 phép Xoay, một phép Co giãn, và một phép Xoay.

  • Nghịch đảo giả Moore-Penrose: A+=VΣ+UTA^{+} = V \Sigma^{+} U^T, ứng dụng để nghịch đảo bất kì ma trận chữ nhật nào.
    • ⚠️

    Lỗi Thường Gặp

    • Tuy SVD rất giống Eigendecomposition nhưng nhầm lẫn chúng: SVD có sẵn cho ma trận m×n, Eigen thì chỉ có cho vuông.
    ⚡

    Mẹo Giải Nhanh

    • Cắt vứt các số 0 hoặc số siêu nhỏ trong $\Sigma$ (Low-Rank Approximation) giảm 90% dung lượng ma trận mà vẫn giữ được ảnh nét cục kì.
    🌍

    Ứng Dụng Thực Tế

    Netflix Algorithm nén hàng triệu dự đoán phim vào 1 phương pháp SVD, rút gọn ảnh JPEG thành phần trọng yếu chống noise.
    📜

    Lịch Sử & Bối Cảnh

    Khởi thủy từ những năm 1880 với Eugenio Beltrami và Camille Jordan, đến khi Eckart & Young phát triển tính chất Low-Rank năm 1936.

    🏋️ Luyện Tập Ngay

    🧪Bài tập gợi ý

    Thử giải bài tập về Phân Tích SVD với AI — được giải từng bước chi tiết: