Algebra liniowa dla uczenia maszynowego: wektory, macierze i dlaczego AI głównie mnoży

Wektory, iloczyn skalarny i podobieństwo cosinusowe, macierze jako przekształcenia, wyznacznik, warstwa sieci neuronowej jako Wx + b i wektory własne — z rysunkami, które oblicza kod.

14 minut Matěj Žalmánek 2026-10-15

Seria Podstawy AI Część 9 z 52

1. Mapa sztucznej inteligencji: co jest czym i jak to do siebie pasuje
2. Krótka historia sztucznej inteligencji: od Turinga do modeli językowych
3. Dane, model, trening, inferencja: podstawowe pojęcia na jednym przykładzie
4. Jak czytać zapis matematyczny: symbole, indeksy, sumy i kwantyfikatory
5. Zbiory i relacje: klocki, z których składają się definicje w AI
6. Funkcje i odwzorowania: dlaczego każdy model AI jest funkcją
7. Logika i dowody: reguły, według których rozumuje AI
8. Grafy i drzewa: struktura, na której opierają się przeszukiwanie i sieci neuronowe
9. Algebra liniowa dla uczenia maszynowego: wektory, macierze i dlaczego AI głównie mnoży
10. Pochodne, gradient i reguła łańcuchowa: jak model ustala, w którą stronę się uczyć
11. Spadek gradientu: jak uczy się model
12. Czym jest prawdopodobieństwo: od rzutu kostką do aksjomatów Kołmogorowa
13. Prawdopodobieństwo warunkowe i twierdzenie Bayesa: jak zmienić ocenę, gdy dowiesz się czegoś nowego
14. Zmienna losowa i dystrybuanta: jedna funkcja, która mówi o rozkładzie wszystko
15. Funkcja gęstości i funkcja prawdopodobieństwa: dlaczego zmienna ciągła ma w punkcie prawdopodobieństwo zero
16. Wartość oczekiwana, wariancja i kowariancja: gdzie leży rozkład, jak jest szeroki i co z czym się wiąże
17. Przegląd rozkładów prawdopodobieństwa: Bernoulliego, dwumianowy, Poissona, jednostajny, normalny i wykładniczy
18. Prawo wielkich liczb i centralne twierdzenie graniczne: dlaczego średnie zachowują się tak przewidywalnie
19. Statystyka i estymacja parametrów: największa wiarygodność, MAP i przedziały ufności
20. Teoria informacji: entropia, entropia krzyżowa i dywergencja KL — skąd się biorą funkcje straty
21. Przeszukiwanie przestrzeni stanów: BFS, DFS, UCS i A* z animacjami
22. Gry i przeciwnik: minimax, przycinanie alfa-beta i Monte Carlo tree search
23. Spełnianie ograniczeń: backtracking, propagacja ograniczeń i AC-3 na sudoku i mapie czeskich krajów
24. Logika i systemy z bazą wiedzy: wnioskowanie w przód i wstecz, rezolucja i systemy ekspertowe
25. Planowanie: STRIPS, świat klocków, heurystyki z relaksacji i planowanie w agentach AI
26. Przeszukiwanie lokalne i symulowane wyżarzanie: komiwojażer przez czeskie miasta wojewódzkie
27. Algorytmy genetyczne: populacja, krzyżowanie, mutacja i selekcja na plecaku na wycieczkę
28. Strategie ewolucyjne i programowanie genetyczne: od reguły jednej piątej do prawa Keplera
29. Optymalizacja kolonią mrówek: jak ślad feromonowy znajduje krótką drogę
30. Optymalizacja rojem cząstek: bezwładność, własne doświadczenie i doświadczenie roju
31. Neuroewolucja: ewolucja wag i kształtu sieci neuronowych oraz algorytm NEAT
32. Zbiory rozmyte i funkcje przynależności: jak zapisać „trochę ciepło”
33. Logika rozmyta a prawdopodobieństwo: dlaczego „trochę ciepło” nie znaczy „prawdopodobnie ciepło”
34. Logika rozmyta: t-normy, implikacje i reguły JEŻELI–TO
35. Sterowanie rozmyte: Mamdani i Sugeno od wentylatora po wahadło na wózku
36. Klasteryzacja rozmyta: algorytm fuzzy c-means i punkty między skupieniami
37. Systemy neuro-rozmyte (ANFIS): reguły rozmyte, które uczą się z danych
38. Łańcuchy Markowa: macierz przejścia, rozkład stacjonarny i PageRank
39. Ukryte modele Markowa: algorytm Viterbiego i nieuczciwe kasyno
40. Sieci bayesowskie: dlaczego trawa jest mokra i co z tego wynika dla zraszacza
41. Filtr Kalmana: jak z niedokładnych pomiarów oszacować, gdzie jest samochód i jak szybko jedzie
42. Rodzaje uczenia maszynowego: nadzorowane, nienadzorowane, półnadzorowane i inne
43. Prompty, kontekst i RAG: jak dać modelowi właściwe informacje
44. Wariacyjne autoenkodery (VAE): nowe obrazki z ciągłej przestrzeni latentnej
45. Generatywne sieci przeciwstawne (GAN): fałszerz kontra detektyw
46. Modele dyfuzyjne: jak z czystego szumu powstaje obraz
47. Procesy decyzyjne Markowa: stany, akcje, nagrody i równania Bellmana
48. Q-learning i DQN: uczenie się wartości akcji od tabeli po sieć neuronową
49. Policy gradient i PPO: uczenie się bezpośrednio polityki
50. Jak działa agent AI: model językowy w pętli z narzędziami
51. Programowanie z agentami AI: zadanie, testy i kontrola
52. Ocena i bezpieczeństwo systemów AI: jak mierzyć i jak pilnować

Pełny program serii Gotowe: 52 z 83 tematów

Gdybyś rozebrał dowolny model sztucznej inteligencji do samego rdzenia, znalazłbyś głównie jedną operację: mnożenie macierzy. Dla modelu obraz to tabela liczb, słowo to lista liczb, warstwa sieci neuronowej to macierz, a karty graficzne są tak ważne dlatego, że potrafią mnożyć macierze szybciej niż cokolwiek innego. Algebra liniowa to język, w którym AI liczy.

Nie będziemy omawiać całego materiału z uczelni. Przejdziemy tylko przez to, czego będziesz potrzebować w kolejnych częściach — i przy każdym pojęciu pokażemy, gdzie siedzi w AI.

1. Wektory: strzałka i lista liczb

Definicja — wektor i działania na nim

Wektor w ℝⁿ to uporządkowana n-ka liczb rzeczywistych u = (u₁, …, u_n); liczby u_i to jego składowe.

Sumę liczy się po składowych: u + v = (u₁ + v₁, …, u_n + v_n). Iloczyn przez liczbę cu = (cu₁, …, cu_n).

Wyrażenie c₁v₁ + … + c_kv_k to kombinacja liniowa wektorów v₁, …, v_k.

W AI wektorem jest prawie wszystko. Czarno-biały obraz 28 × 28 pikseli to wektor w ℝ⁷⁸⁴. Słowo w modelu językowym to wektor o setkach do tysięcy składowych — tak zwane zanurzenie (embedding). A parametry całego modelu to jeden olbrzymi wektor θ.

2. Iloczyn skalarny, długość i podobieństwo

Definicja — iloczyn skalarny, norma, kąt

Iloczyn skalarny u · v = ∑_i=1ⁿ u_iv_i (także u^⊤v).

Długość (norma euklidesowa) ‖u‖ = √(u · u). Dla kąta φ między wektorami zachodzi cos φ = (u · v) / (‖u‖ ‖v‖); wektory są prostopadłe (ortogonalne), gdy u · v = 0.

Dla u = (3, 1) i v = (1, 2) jest u · v = 3 · 1 + 1 · 2 = 5, ‖u‖ = √10 ≈ 3,16, ‖v‖ = √5 ≈ 2,24 i cos φ = 5 / √50 ≈ 0,71 — wektory tworzą kąt 45°.

Cosinus kąta jest w AI sławny jako podobieństwo cosinusowe. Wyobraź sobie zabawkowe zanurzenie słów z trzema składowymi „zwierzę, domowe, ma koła”: kot (0,9; 0,8; 0), pies (0,85; 0,9; 0,05), samochód (0; 0,3; 0,95). Podobieństwo kota i psa wychodzi 0,995, kota i samochodu tylko 0,20. Dokładnie tak wyszukiwarki znajdują „podobne” dokumenty, a modele językowe „podobne” słowa — tylko w setkach wymiarów zamiast trzech.

3. Macierze i mnożenie przez wektor

Definicja — macierz i iloczyn macierzy przez wektor

Macierz wymiaru m × n to tabela liczb rzeczywistych o m wierszach i n kolumnach; A_ij to element w i-tym wierszu i j-tej kolumnie.

Dla A ∈ ℝ^m×n i x ∈ ℝⁿ iloczyn Ax ∈ ℝ^m to wektor o składowych (Ax)_i = ∑_j A_ijx_j — iloczyn skalarny i-tego wiersza z x.

4. Macierz jako przekształcenie przestrzeni

Najlepszy sposób, żeby macierz „zobaczyć”, to popatrzeć, co zrobi z płaszczyzną. Każda macierz 2 × 2 przenosi siatkę na inną siatkę — proste pozostają prostymi, a początek układu zostaje na miejscu. Dlatego nazywa się to przekształceniem liniowym. Szara jest pierwotna siatka, zielona po przekształceniu, pomarańczowy jest obraz kwadratu jednostkowego:

obrót o 90°
[0 -1; 1 0] · pole × 1

powiększenie 1,5×
[1,5 0; 0 1,5] · pole × 2,25

ścięcie
[1 1; 0 1] · pole × 1

rzut na oś x
[1 0; 0 0] · pole × 0

Definicja — wyznacznik macierzy 2 × 2

det [a b; c d] = ad − bc. Jego wartość bezwzględna to współczynnik zmiany pola: kwadrat jednostkowy przechodzi na równoległobok o polu |det A|.

5. Mnożenie macierzy to składanie

Definicja — iloczyn macierzy

Dla A ∈ ℝ^m×k i B ∈ ℝ^k×n jest (AB)_ij = ∑_l A_ilB_lj. Zachodzi (AB)x = A(Bx): iloczyn macierzy to złożenie przekształceń — najpierw B, potem A.

Mnożenie macierzy jest łączne, ale w ogólności nie jest przemienne: AB ≠ BA.

6. Warstwa sieci neuronowej to macierz

Teraz można już dokładnie powiedzieć, co robi jedna warstwa sieci neuronowej:

Macierz W (wagi) i wektor b (wyraz wolny, bias) to parametry, których sieć się uczy. Dla W = [0,5 −1 2; 1 0 −0,5], wejścia x = (1, 2, 3) i b = (0, −1):

Warstwa zamieniła trzy liczby na dwie i wyzerowała ujemną. Głęboka sieć to ciąg takich kroków jeden po drugim — a bez funkcji nieliniowej (ReLU, sigmoida) całość zapadłaby się do jednej macierzy, bo złożenie przekształceń liniowych jest znowu przekształceniem liniowym. Gdy sieć przetwarza wiele wejść naraz (partię, batch), składa je w macierz X i cała partia liczy się jednym mnożeniem WX — a to jest dokładnie ta operacja, którą karty graficzne wykonują najszybciej.

7. Macierz odwrotna i układy równań

Definicja — macierz odwrotna

Macierz kwadratowa A jest odwracalna (nieosobliwa), gdy istnieje A⁻¹ taka, że A⁻¹A = AA⁻¹ = I (macierz jednostkowa). Macierz jest odwracalna wtedy i tylko wtedy, gdy det A ≠ 0.

Dla 2 × 2: [a b; c d]⁻¹ = (1 / (ad − bc)) · [d −b; −c a]. Układ Ax = y ma wtedy jedyne rozwiązanie x = A⁻¹y.

Dla A = [2 1; 1 3] jest det A = 2 · 3 − 1 · 1 = 5 i A⁻¹ = [0,6 −0,2; −0,2 0,4]. Ze znanego wyniku (4, 7) dostajemy więc z powrotem wejście (1, 2). Tak samo w postaci zamkniętej liczy się regresję liniową — metoda najmniejszych kwadratów prowadzi do układu (X^⊤X)θ = X^⊤y (równania normalne).

8. Wartości własne i wektory własne

Definicja — wartość własna i wektor własny

Niezerowy wektor v jest wektorem własnym macierzy A z wartością własną λ, gdy Av = λv.

Wartości własne to pierwiastki równania det(A − λI) = 0. Macierz symetryczna ma rzeczywiste wartości własne i wzajemnie prostopadłe wektory własne.

Wartości własne macierzy [2 1; 1 3] to (5 ± √5)/2, czyli ≈ 3,62 i ≈ 1,38. Elipsa jest w kierunku pierwszego wektora własnego rozciągnięta 3,62×, w kierunku drugiego 1,38×. Szare strzałki w ogólnym kierunku po przekształceniu skręcają, pomarańczowe osie nie. Na tym opiera się analiza głównych składowych (PCA): wektory własne macierzy kowariancji danych pokazują kierunki, w których dane różnią się najbardziej, a wartości własne — jak bardzo.

9. Algebra liniowa w sztucznej inteligencji

• Dane to macierze: wiersz to przykład, kolumna to cecha.
• Zanurzenia (embeddingi) to wektory; podobieństwo mierzy się iloczynem skalarnym albo cosinusem.
• Warstwa sieci to Wx + b i nieliniowość; trening zmienia elementy macierzy W.
• Uwaga (attention) w transformerach liczy iloczyny skalarne wszystkich zapytań ze wszystkimi kluczami naraz — mnożenie macierzy QK^⊤.
• PCA i kompresja szukają wektorów własnych, systemy rekomendacyjne rozkładają macierz „użytkownik × film” na iloczyn mniejszych macierzy.

10. Podsumowanie

• Wektor to lista liczb i strzałka zarazem; dodaje się go po składowych.
• Iloczyn skalarny mierzy, na ile dwa wektory wskazują ten sam kierunek — podobieństwo cosinusowe to jego znormalizowana wersja.
• Macierz to przekształcenie liniowe przestrzeni; wyznacznik mówi, ile razy zmienia pole, a zero oznacza, że przekształcenia nie da się cofnąć.
• Mnożenie macierzy to składanie przekształceń, a warstwa sieci neuronowej to Wx + b z nieliniowością.
• Wektory własne to kierunki, które macierz tylko rozciąga — na nich opiera się PCA.

Masz inne zdanie? Napisz na support@coden-app.com.