34 Quiz 3 İncelemesi

Özdeğer parmak izi: simetrik, ortogonal, PD, Markov, projeksiyon

Bölüm bilgisi

Strang’in videosu: YouTube — Quiz 3 Review (≈47 dk)
OCW sayfası: MIT 18.06SC — Exam 3 Review
Okuma süresi: ≈35 dk

34.1 Bu Derste Ne Var?

Bölüm 6 (Ders 21–31) tekrarı.

ODE + anti-simetrik — saf sanal λ, periyodik.
“Hangi $c$?” — diagonalize / simetrik / PD / Markov / projeksiyon.
SVD + işaret tuzağı.
Simetrik + ortogonal → $\lambda = \pm 1$.

flowchart LR
    SYM["Simetrik"] --> R["λ gerçel"]
    SKEW["Anti-simetrik"] --> IM["λ saf sanal"]
    ORTH["Ortogonal"] --> ABS["|λ| = 1"]
    PD["Pozitif tanım"] --> POZ["λ > 0"]
    MARK["Markov"] --> ONE["λ_max = 1"]
    PROJ["Projeksiyon"] --> ZERO_ONE["λ ∈ {0, 1}"]
    SO["Simetrik + ortogonal"] --> PM["λ = ±1, A² = I"]

    NORM["Normal: AAᵀ = AᵀA"] --> EIGORTH["Ortogonal özvektör"]

flowchart LR
    SYM["Simetrik"] --> R["λ gerçel"]
    SKEW["Anti-simetrik"] --> IM["λ saf sanal"]
    ORTH["Ortogonal"] --> ABS["|λ| = 1"]
    PD["Pozitif tanım"] --> POZ["λ > 0"]
    MARK["Markov"] --> ONE["λ_max = 1"]
    PROJ["Projeksiyon"] --> ZERO_ONE["λ ∈ {0, 1}"]
    SO["Simetrik + ortogonal"] --> PM["λ = ±1, A² = I"]

    NORM["Normal: AAᵀ = AᵀA"] --> EIGORTH["Ortogonal özvektör"]

Şekil 34.1: Özel matris sınıfları = özdeğer parmak izleri.

Builder Notu — Özdeğer Parmak İzi

ML’de matris sınıfını bilmek = davranışı bilmek.

Kovaryans/Gram → simetrik PSD → PCA güvenli.
Ortogonal başlatma → $|\lambda| = 1$ → gradyan kararlı.
Markov → $\lambda_{\max} = 1$ → PageRank kararlı dağılım.
Anti-simetrik → salınım, enerji-koruyan (Hamiltonian NN, Lipschitz RNN).

34.2 Kapsam

Bölüm 6: özdeğer/özvektör, simetrik (Q$\Lambda$Q$^T$), PD, benzer matris, SVD.

34.3 Problem 1: Anti-Simetrik ODE

$A^T = -A$ → anti-simetrik. Karakteristik denklem $\lambda^3 + 2\lambda = 0$:

\[ \lambda = 0, \pm\sqrt 2 i \]

Saf sanal → $|e^{i\sqrt 2 t}| = 1$, çözüm periyodik. Periyot:

\[ T = \frac{2\pi}{\sqrt 2} = \pi\sqrt 2 \]

Ortogonal özvektör koşulu: $A A^T = A^T A$ (normal matris). Simetrik, anti-simetrik, ortogonal hepsi sağlar.

“A matrix has orthogonal eigenvectors exactly when AAᵀ = AᵀA.” — Strang, 13:55

34.4 Problem 2: “Hangi $c$?”

3×3 matris, ortogonal özvektörler, özdeğerler 0, 2, $c$:

Diagonalize: her $c$ (ortogonal özvektörler bağımsız).
Simetrik: gerçel $c$ (sanal olsaydı simetri yok).
PD: hiçbir $c$ ($\lambda = 0$ var).
Markov: olamaz ($\lambda = 2 > 1$).
$A/2$ projeksiyon mu? Özdeğerleri $0, 1, c/2$. $c/2 \in \{0, 1\}$ → $c = 0$ veya $c = 2$.

34.5 SVD İşaret Tuzağı

$V$ ve $\sigma$ sabitle, sonra:

\[ \mathbf{u}_i = \frac{A \mathbf{v}_i}{\sigma_i} \]

(Bağımsız $A A^T$ özvektörleri ± belirsizliği yaratır.)

34.6 SVD’den Matris Okuma

$\Sigma = \text{diag}(3, 2)$ → tersinir, rank 2.
$\Sigma = \text{diag}(3, 0)$ → rank 1, null boyut 1, null vektör = $\mathbf{v}_2$.
$\Sigma = \text{diag}(3, -5)$ → geçersiz ($\sigma \geq 0$).

34.7 Simetrik + Ortogonal — λ = ±1

Simetrik → gerçel; ortogonal → $|\lambda| = 1$. $\lambda = \pm 1$.

İddia	D/Y	Neden
PD	Y	$\lambda = -1$ olabilir
Tekrarsız	Y	Büyük boyutta ±1 tekrarlanır
Diagonalize	D	Simetrik/ortogonal her zaman
Tersinir	D	$\lambda = 0$ yok

$A = A^T = A^{-1}$ → $A^2 = I$.

34.8 ½(A + I) Projeksiyon mu?

$A$ simetrik+ortogonal → $A^2 = I$:

\[ \left(\frac{A + I}{2}\right)^2 = \frac{A^2 + 2A + I}{4} = \frac{2A + 2I}{4} = \frac{A + I}{2} \checkmark \]

$P^2 = P$ + simetrik → projeksiyon. Özdeğerler: $A$’da $\pm 1$ → $A + I$’de $0, 2$ → $\frac{A+I}{2}$’de $0, 1$ ✓.

34.9 Özet — Parmak İzi Tablosu ⭐

Sınıf	Özdeğer parmak izi
Simetrik	$\lambda$ gerçel, ortogonal özvektör
Anti-simetrik	$\lambda$ saf sanal
Ortogonal	$\|\lambda\| = 1$
PD	$\lambda > 0$
Markov	$\lambda_{\max} = 1$
Projeksiyon	$\lambda \in \{0, 1\}$
Sim + ort	$\lambda = \pm 1$, $A^2 = I$
Normal ($AA^T = A^T A$)	Ortogonal özvektör
$e^{At}$	$S e^{\Lambda t} S^{-1}$
SVD	$A = U\Sigma V^T$, $V = \mathrm{eig}(A^T A)$, $\mathbf{u}_i = A\mathbf{v}_i/\sigma_i$

Tek bir cümle

Özel matris sınıfları özdeğer parmak izleriyle tanınır; bu kestirme matrisi hesaplamadan davranışı söyler. Simetrik + ortogonal → $\lambda = \pm 1$, $A^2 = I$.

34.10 Kontrol Soruları

Soru 1: Anti-simetrik özdeğer?

Saf sanal. Periyodik çözüm.

Soru 2: Ortogonal özvektör koşulu?

$A A^T = A^T A$ (normal).

Soru 3: Sim + ort özdeğer?

$\pm 1$.

Soru 4: SVD U işaret hatasız?

$\mathbf{u}_i = A\mathbf{v}_i / \sigma_i$.

Soru 5: Sim + ort → A²?

$A = A^T = A^{-1}$ → $A^2 = I$.

34.11 Egzersizler

Egzersiz 1. $A = ((0, -1), (1, 0))$ — özdeğerler, geometrik anlam.

Egzersiz 2. $\lambda = 1, 1, 0$ simetrik — Markov? Projeksiyon?

Egzersiz 3. $\Sigma = \text{diag}(5, 0, 0)$ 3×3 — rank, null boyutu?

Egzersiz 4. (Python) Parmak izi tablosu doğrulama.

Egzersiz 5. İspatla: Normal matris ortogonal özvektör.

34.12 Sonraki Ders İçin Hazırlık

Ders 33: Pseudoinverse — sol/sağ ters, $A^+ = V\Sigma^+ U^T$.

Ders 33 öncesi

Parmak izi tablosu ezberle.
SVD egzersizlerini gözden geçir.

34.13 Anahtar Kavramlar (Cheat Sheet)

Konu	Anahtar
Genel ODE çözüm	$\sum c_i e^{\lambda_i t} \mathbf{x}_i$
Anti-simetrik	$\lambda$ saf sanal, periyodik
Periyot	$T = 2\pi/\omega$
Ortogonal özvektör	$A A^T = A^T A$
$e^{At}$	$S e^{\Lambda t} S^{-1}$
PD	$\lambda > 0$
Markov	$\lambda_{\max} = 1$
Projeksiyon	$\lambda \in \{0, 1\}$
Sim + ort	$\lambda = \pm 1, A^2 = I$
SVD rank	# nonzero $\sigma$; $\sigma < 0$ imkansız

34.14 ML Bağlantıları Özeti

3 köprü

Parmak izi → Mimari kararlar (PCA, ortogonal başlatma, Markov RNN).
Anti-simetrik → Hamiltonian NN, Lipschitz RNN (enerji-koruyan).
Ortogonal/normal → Spektral normalizasyon, unitary RNN, gradyan kararlılığı.

Tek bir şey alıp gideceksen

Özdeğer parmak izi her özel sınıfı tanır: simetrik gerçel, ortogonal $|\lambda|=1$, PD $\lambda>0$, Markov $\lambda_{\max}=1$, projeksiyon $\{0, 1\}$. Sim+ort → $\pm 1, A^2 = I$.

--- title: "Quiz 3 İncelemesi" subtitle: "Özdeğer parmak izi: simetrik, ortogonal, PD, Markov, projeksiyon" --- ::: {.callout-note title="Bölüm bilgisi"} - **Strang'in videosu:** [YouTube — Quiz 3 Review](https://www.youtube.com/watch?v=HgC1l_6ySkc) (≈47 dk) - **OCW sayfası:** [MIT 18.06SC — Exam 3 Review](https://ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/resources/exam-3-review/) - **Okuma süresi:** ≈35 dk ::: ## Bu Derste Ne Var? {#sec-bu-derste} Bölüm 6 (Ders 21–31) tekrarı. 1. **ODE + anti-simetrik** — saf sanal λ, periyodik. 2. **"Hangi $c$?"** — diagonalize / simetrik / PD / Markov / projeksiyon. 3. **SVD** + işaret tuzağı. 4. **Simetrik + ortogonal** → $\lambda = \pm 1$. ```{mermaid} %%| label: fig-concept-map %%| fig-cap: "Özel matris sınıfları = özdeğer parmak izleri." flowchart LR SYM["Simetrik"] --> R["λ gerçel"] SKEW["Anti-simetrik"] --> IM["λ saf sanal"] ORTH["Ortogonal"] --> ABS["|λ| = 1"] PD["Pozitif tanım"] --> POZ["λ > 0"] MARK["Markov"] --> ONE["λ_max = 1"] PROJ["Projeksiyon"] --> ZERO_ONE["λ ∈ {0, 1}"] SO["Simetrik + ortogonal"] --> PM["λ = ±1, A² = I"] NORM["Normal: AAᵀ = AᵀA"] --> EIGORTH["Ortogonal özvektör"] ``` ::: {.callout-tip title="Builder Notu — Özdeğer Parmak İzi"} ML'de matris sınıfını bilmek = davranışı bilmek. - **Kovaryans/Gram** → simetrik PSD → PCA güvenli. - **Ortogonal başlatma** → $|\lambda| = 1$ → gradyan kararlı. - **Markov** → $\lambda_{\max} = 1$ → PageRank kararlı dağılım. - **Anti-simetrik** → salınım, enerji-koruyan (Hamiltonian NN, Lipschitz RNN). ::: ## Kapsam {#sec-kapsam} Bölüm 6: özdeğer/özvektör, simetrik (Q$\Lambda$Q$^T$), PD, benzer matris, SVD. ## Problem 1: Anti-Simetrik ODE {#sec-skew} $A^T = -A$ → **anti-simetrik**. Karakteristik denklem $\lambda^3 + 2\lambda = 0$: $$ \lambda = 0, \pm\sqrt 2 i $$ **Saf sanal** → $|e^{i\sqrt 2 t}| = 1$, çözüm **periyodik**. Periyot: $$ T = \frac{2\pi}{\sqrt 2} = \pi\sqrt 2 $$ **Ortogonal özvektör koşulu:** $A A^T = A^T A$ (normal matris). Simetrik, anti-simetrik, ortogonal hepsi sağlar. > *"A matrix has orthogonal eigenvectors exactly when AAᵀ = AᵀA."* — Strang, 13:55 ## Problem 2: "Hangi $c$?" {#sec-c-problem} 3×3 matris, ortogonal özvektörler, özdeğerler 0, 2, $c$: - **Diagonalize:** **her $c$** (ortogonal özvektörler bağımsız). - **Simetrik:** **gerçel $c$** (sanal olsaydı simetri yok). - **PD:** **hiçbir $c$** ($\lambda = 0$ var). - **Markov:** **olamaz** ($\lambda = 2 > 1$). - **$A/2$ projeksiyon mu?** Özdeğerleri $0, 1, c/2$. $c/2 \in \{0, 1\}$ → **$c = 0$ veya $c = 2$**. ## SVD İşaret Tuzağı {#sec-SVD-isaret} $V$ ve $\sigma$ sabitle, sonra: $$ \mathbf{u}_i = \frac{A \mathbf{v}_i}{\sigma_i} $$ (Bağımsız $A A^T$ özvektörleri ± belirsizliği yaratır.) ## SVD'den Matris Okuma {#sec-SVD-okuma} - $\Sigma = \text{diag}(3, 2)$ → tersinir, rank 2. - $\Sigma = \text{diag}(3, 0)$ → rank 1, null boyut 1, null vektör = $\mathbf{v}_2$. - $\Sigma = \text{diag}(3, -5)$ → **geçersiz** ($\sigma \geq 0$). ## Simetrik + Ortogonal — λ = ±1 {#sec-sym-orth} Simetrik → gerçel; ortogonal → $|\lambda| = 1$. **$\lambda = \pm 1$**. | İddia | D/Y | Neden | |-------|-----|-------| | PD | Y | $\lambda = -1$ olabilir | | Tekrarsız | Y | Büyük boyutta ±1 tekrarlanır | | Diagonalize | D | Simetrik/ortogonal her zaman | | Tersinir | D | $\lambda = 0$ yok | **$A = A^T = A^{-1}$ → $A^2 = I$**. ## ½(A + I) Projeksiyon mu? {#sec-half-AI} $A$ simetrik+ortogonal → $A^2 = I$: $$ \left(\frac{A + I}{2}\right)^2 = \frac{A^2 + 2A + I}{4} = \frac{2A + 2I}{4} = \frac{A + I}{2} \checkmark $$ $P^2 = P$ + simetrik → **projeksiyon**. Özdeğerler: $A$'da $\pm 1$ → $A + I$'de $0, 2$ → $\frac{A+I}{2}$'de **$0, 1$** ✓. ## Özet — Parmak İzi Tablosu ⭐ {#sec-parmak-izi} | Sınıf | Özdeğer parmak izi | |-------|-------------------| | **Simetrik** | $\lambda$ gerçel, ortogonal özvektör | | **Anti-simetrik** | $\lambda$ saf sanal | | **Ortogonal** | $|\lambda| = 1$ | | **PD** | $\lambda > 0$ | | **Markov** | $\lambda_{\max} = 1$ | | **Projeksiyon** | $\lambda \in \{0, 1\}$ | | **Sim + ort** | $\lambda = \pm 1$, $A^2 = I$ | | **Normal ($AA^T = A^T A$)** | Ortogonal özvektör | | **$e^{At}$** | $S e^{\Lambda t} S^{-1}$ | | **SVD** | $A = U\Sigma V^T$, $V = \mathrm{eig}(A^T A)$, $\mathbf{u}_i = A\mathbf{v}_i/\sigma_i$ | ::: {.callout-important title="Tek bir cümle"} Özel matris sınıfları **özdeğer parmak izleriyle** tanınır; bu kestirme matrisi hesaplamadan davranışı söyler. Simetrik + ortogonal → $\lambda = \pm 1$, $A^2 = I$. ::: ## Kontrol Soruları {#sec-sorular} ::: {.callout-note collapse="true" title="Soru 1: Anti-simetrik özdeğer?"} Saf sanal. Periyodik çözüm. ::: ::: {.callout-note collapse="true" title="Soru 2: Ortogonal özvektör koşulu?"} $A A^T = A^T A$ (normal). ::: ::: {.callout-note collapse="true" title="Soru 3: Sim + ort özdeğer?"} $\pm 1$. ::: ::: {.callout-note collapse="true" title="Soru 4: SVD U işaret hatasız?"} $\mathbf{u}_i = A\mathbf{v}_i / \sigma_i$. ::: ::: {.callout-note collapse="true" title="Soru 5: Sim + ort → A²?"} $A = A^T = A^{-1}$ → $A^2 = I$. ::: ## Egzersizler {#sec-egzersizler} **Egzersiz 1.** $A = ((0, -1), (1, 0))$ — özdeğerler, geometrik anlam. **Egzersiz 2.** $\lambda = 1, 1, 0$ simetrik — Markov? Projeksiyon? **Egzersiz 3.** $\Sigma = \text{diag}(5, 0, 0)$ 3×3 — rank, null boyutu? **Egzersiz 4.** *(Python)* Parmak izi tablosu doğrulama. **Egzersiz 5.** *İspatla:* Normal matris ortogonal özvektör. ## Sonraki Ders İçin Hazırlık {#sec-sonraki} **Ders 33: Pseudoinverse** — sol/sağ ters, $A^+ = V\Sigma^+ U^T$. ::: {.callout-warning title="Ders 33 öncesi"} - Parmak izi tablosu ezberle. - SVD egzersizlerini gözden geçir. ::: ## Anahtar Kavramlar (Cheat Sheet) {#sec-cheat-sheet} | Konu | Anahtar | |------|---------| | **Genel ODE çözüm** | $\sum c_i e^{\lambda_i t} \mathbf{x}_i$ | | **Anti-simetrik** | $\lambda$ saf sanal, periyodik | | **Periyot** | $T = 2\pi/\omega$ | | **Ortogonal özvektör** | $A A^T = A^T A$ | | **$e^{At}$** | $S e^{\Lambda t} S^{-1}$ | | **PD** | $\lambda > 0$ | | **Markov** | $\lambda_{\max} = 1$ | | **Projeksiyon** | $\lambda \in \{0, 1\}$ | | **Sim + ort** | $\lambda = \pm 1, A^2 = I$ | | **SVD rank** | # nonzero $\sigma$; $\sigma < 0$ imkansız | ## ML Bağlantıları Özeti {#sec-ml-baglantilar} ::: {.callout-tip title="3 köprü"} 1. **Parmak izi** → Mimari kararlar (PCA, ortogonal başlatma, Markov RNN). 2. **Anti-simetrik** → Hamiltonian NN, Lipschitz RNN (enerji-koruyan). 3. **Ortogonal/normal** → Spektral normalizasyon, unitary RNN, gradyan kararlılığı. ::: ::: {.callout-important title="Tek bir şey alıp gideceksen"} **Özdeğer parmak izi** her özel sınıfı tanır: simetrik gerçel, ortogonal $|\lambda|=1$, PD $\lambda>0$, Markov $\lambda_{\max}=1$, projeksiyon $\{0, 1\}$. Sim+ort → $\pm 1, A^2 = I$. :::

34.1 Bu Derste Ne Var?

34.2 Kapsam

34.3 Problem 1: Anti-Simetrik ODE

34.4 Problem 2: “Hangi \(c\)?”

34.5 SVD İşaret Tuzağı

34.6 SVD’den Matris Okuma

34.7 Simetrik + Ortogonal — λ = ±1

34.8 ½(A + I) Projeksiyon mu?

34.9 Özet — Parmak İzi Tablosu ⭐

34.10 Kontrol Soruları

34.11 Egzersizler

34.12 Sonraki Ders İçin Hazırlık

34.13 Anahtar Kavramlar (Cheat Sheet)

34.14 ML Bağlantıları Özeti