# L23102 線性代數之機器學習基礎應用 — 模擬試題 30 題 > 題型：四選一單選題（iPAS AI 規劃師中級 標準題型） > 教材來源：`chunks/L23102.txt`（每題解析末標 chunks 行號） > 命題原則：用易混淆概念設計干擾項（同類項換位、屬性錯配、定義 partial swap），對應「找混淆」提示詞。 --- ## 第一部分｜前言與章節導覽（Q1） ### Q1 教材指出線性代數（Linear Algebra）在機器學習中扮演的角色為何？ - (A) 主要用於資料視覺化與圖表繪製 - (B) 機器學習模型運算與表示的數學基礎，核心概念貫穿於資料結構表示、模型參數計算、梯度更新與特徵轉換等環節 - (C) 僅用於監督式學習，與非監督式學習無關 - (D) 取代機率統計成為模型訓練的唯一基礎 **答案：(B)** 解析：線性代數是機器學習模型運算與表示的數學基礎，核心概念貫穿於資料結構表示、模型參數計算、梯度更新與特徵轉換等環節；現代機器學習與深度學習絕大多數演算法都以矩陣與向量為運算單位。（chunks line 9） --- ## 第二部分｜向量與矩陣表示（Q2–Q9） ### Q2 教材所述向量（Vector）在機器學習中的主要角色為何？ - (A) 通常用於描述多筆樣本資料的集合 - (B) 具有方向與大小的數學物件，通常用於描述單一樣本的特徵組合 - (C) 描述神經網路中所有層之間的權重 - (D) 純量集合，不具方向性 **答案：(B)** 解析：向量是具有方向與大小的數學物件，通常用於描述單一樣本的特徵組合（如一筆 5 維樣本 `x = [x₁, x₂, …, x₅]ᵀ`）。多筆樣本資料的集合是「矩陣」的角色。（chunks line 19–21） --- ### Q3 下列關於點積（Dot Product）的敘述，何者**錯誤**？ - (A) 點積為線性模型預測核心運算 - (B) 點積可評估兩個向量在同一方向上的對應程度 - (C) 點積的物理意義包含「投影」與「相似度」 - (D) 點積用於計算向量的「長度」或「大小」 **答案：(D)** 解析：「計算向量長度／大小」是 L2 範數（Norm，歐幾里得範數）的功能；點積是評估兩向量在同方向上對應程度、其物理意義為投影與相似度。題目刻意把點積與 L2 範數的功能對調。（chunks line 27–37） --- ### Q4 教材所述 L2 範數（Norm）的別稱與用途為何？ - (A) 別稱「曼哈頓範數」，用於計算向量元素絕對值總和 - (B) 別稱「歐幾里得範數」，用於計算向量的「長度」或「大小」，亦為正規化與正則化（如 L2 損失）的基礎 - (C) 別稱「無窮範數」，用於取向量元素的最大絕對值 - (D) 別稱「協方差範數」，用於計算特徵間的關聯性 **答案：(B)** 解析：L2 範數又稱歐幾里得範數，用於計算向量長度，亦為 L2 正則化、L2 損失的基礎。（chunks line 33–37） --- ### Q5 教材所述矩陣（Matrix）在機器學習中的常見應用**不包含**下列何者？ - (A) 表示多筆樣本資料（特徵矩陣 X ∈ ℝⁿˣᵈ：n 筆樣本、每筆 d 個特徵） - (B) 表示神經網路中的權重（權重矩陣 W ∈ ℝᵈˣᵏ：將 d 維輸入映射為 k 維輸出） - (C) 表示單一樣本的特徵組合（方向與大小） - (D) 表示特徵轉換的線性映射 **答案：(C)** 解析：「描述單一樣本的特徵組合（方向與大小）」是向量（Vector）的角色，不是矩陣。矩陣是多個向量的集合。（chunks line 19–53） --- ### Q6 下列矩陣運算與其用途的配對，何者**錯誤**？ - (A) 矩陣乘法（Matrix Multiplication）— 模型運算的核心，用於批次預測、權重更新、轉換特徵空間 - (B) 轉置（Transpose）— 將矩陣的列與行互換，用於維度對齊與內積計算 - (C) 矩陣求逆（Inverse）與偽逆（Pseudo-Inverse）— 用於封閉解的求解（如最小平方解） - (D) 矩陣轉置（Transpose）— 用於封閉解的求解（如最小平方解），或在無法反矩陣的情況下近似解決 **答案：(D)** 解析：「用於封閉解求解、無法反矩陣時近似解決」是矩陣求逆（Inverse）與偽逆（Pseudo-Inverse）的用途；轉置（Transpose）的功能是將列與行互換、用於維度對齊與內積計算。題目把兩個矩陣運算的用途對調。（chunks line 57–59） --- ### Q7 教材所述線性迴歸中預測值的矩陣表示為何？ - (A) `ŷ = Xθ`（X 為特徵矩陣，θ 為參數向量） - (B) `ŷ = X⁻¹θ` - (C) `ŷ = Xᵀ X` - (D) `ŷ = θ θᵀ` **答案：(A)** 解析：線性迴歸的預測值由 `ŷ = Xθ` 表示，以矩陣形式進行損失函數與導數運算。（chunks line 63、23） --- ### Q8 教材所述神經網路前向傳播的線性層運算形式為何？ - (A) `z⁽ˡ⁾ = a⁽ˡ⁻¹⁾ Σ + b⁽ˡ⁾` - (B) `z⁽ˡ⁾ = W⁽ˡ⁾ a⁽ˡ⁻¹⁾ + b⁽ˡ⁾` - (C) `z⁽ˡ⁾ = W⁽ˡ⁾⁻¹ a⁽ˡ⁻¹⁾` - (D) `z⁽ˡ⁾ = a⁽ˡ⁻¹⁾ ⊗ b⁽ˡ⁾` **答案：(B)** 解析：神經網路前向傳播每一層計算本質為矩陣與向量乘法：`z⁽ˡ⁾ = W⁽ˡ⁾ a⁽ˡ⁻¹⁾ + b⁽ˡ⁾`（W 為權重矩陣、a 為前一層輸出、b 為偏差向量）。（chunks line 64–68） --- ### Q9 教材指出主成分分析（PCA）的線性代數運算核心為何？ - (A) 對特徵矩陣進行矩陣求逆 - (B) 對特徵矩陣進行協方差計算與矩陣分解，以尋找最具代表性的投影方向 - (C) 對權重矩陣進行轉置 - (D) 對特徵矩陣進行點積運算 **答案：(B)** 解析：PCA 需對特徵矩陣進行協方差計算與矩陣分解，以尋找最具代表性的投影方向。（chunks line 70） --- ## 第三部分｜線性變換與特徵空間（Q10–Q16） ### Q10 教材所述線性變換（Linear Transformation）的本質為何？ - (A) 在不破壞空間線性結構的前提下，對資料進行伸縮、旋轉或投影等操作 - (B) 將離散資料轉換為連續資料的非線性映射 - (C) 將輸入資料的機率分佈轉為條件機率分佈 - (D) 對資料施加非線性激活函數 **答案：(A)** 解析：線性變換的本質是「在不破壞空間線性結構的前提下，對資料進行伸縮、旋轉或投影等操作」。機器學習模型中大量的資料處理與特徵映射，其實都可視為一種線性變換。（chunks line 74） --- ### Q11 下列線性變換的幾何意義配對，何者**錯誤**？ - (A) 縮放（Scaling）— 調整向量在各個方向上的長度，改變其尺度但不改變方向 - (B) 旋轉（Rotation）— 改變向量的方向而不改變其長度，常見於正交變換或特徵對齊 - (C) 剪切（Shearing）— 使向量方向在空間中產生傾斜變化，常出現在非對角矩陣的變換中 - (D) 投影（Projection）— 改變向量的方向而不改變其長度，常見於正交變換 **答案：(D)** 解析：「改變方向不改變長度、常見於正交變換」是旋轉（Rotation）的定義；投影（Projection）是「將高維向量投射到某個子空間（如主成分空間或分類超平面），保留對任務最有意義的資訊」。題目刻意把 Projection 與 Rotation 定義對調。（chunks line 80–94） --- ### Q12 特徵空間（Feature Space）的定義為何？ - (A) 資料中各個特徵所張成的數學空間，每一個軸代表一個特徵維度，每一筆資料可視為空間中的一個點 - (B) 由神經網路所有隱藏層權重組成的高維張量空間 - (C) 損失函數值在參數空間中的分佈區域 - (D) 模型訓練樣本標籤的離散集合 **答案：(A)** 解析：特徵空間 = 資料中各個特徵所張成的數學空間，每一個軸代表一個特徵維度，每一筆資料可視為空間中的一個點。空間的幾何結構影響模型如何進行分類、迴歸或聚類等任務。（chunks line 100） --- ### Q13 教材列線性變換達成的目標**不包含**下列何者？ - (A) 特徵重組（將原始特徵做線性組合，產生新的表示，如主成分分析） - (B) 維度轉換（將資料從原始高維空間轉換至低維或嵌入空間） - (C) 方向加權（強化模型對某些方向 / 變數組合的敏感性） - (D) 增加非線性表達能力，使模型能學習複雜決策邊界 **答案：(D)** 解析：「增加非線性表達能力」屬於非線性激活函數的功能；線性變換本身不會引入非線性。線性變換的三大目標為特徵重組、維度轉換、方向加權。（chunks line 102–114） --- ### Q14 教材所述「主成分分析（PCA）」如何運用線性變換達到降維與特徵重組？ - (A) 透過矩陣求逆找出資料中無關方向，移除冗餘特徵 - (B) 透過找出一組能最大化資料變異量的正交向量基底，將原始資料透過矩陣乘法映射到這組基底所定義的空間中 - (C) 透過隨機投影至低維空間以節省計算成本 - (D) 透過非線性激活函數壓縮特徵維度 **答案：(B)** 解析：PCA 透過找出能最大化資料變異量的正交向量基底，將原始資料透過矩陣乘法映射到該基底所定義空間，達到降維與特徵重組的目的。（chunks line 116） --- ### Q15 下列線性變換在機器學習模型中的出現形式**配對錯誤**者為何？ - (A) 線性迴歸與邏輯迴歸 — `y = wᵀx + b` 為一維線性投影，將多維特徵向量投射到一條直線上以進行預測 - (B) 神經網路前向傳播 — 每一層運算 `z⁽ˡ⁾ = W⁽ˡ⁾a⁽ˡ⁻¹⁾ + b⁽ˡ⁾` 可視為將上一層輸出透過線性變換映射至下一層特徵空間 - (C) 嵌入層（Embedding Layer）— 將離散類別轉為連續空間的向量表示，核心操作為一組特定矩陣的線性查詢與轉換 - (D) Autoencoder — 透過分類損失函數將離散標籤映射為連續潛在向量 **答案：(D)** 解析：Autoencoder 為「特徵投影與空間壓縮」的代表，仰賴線性變換將高維資料重構為低維潛在向量空間（與 LDA 同類）；其核心並非「分類損失將標籤映射為潛在向量」。（chunks line 120–134） --- ### Q16 LDA（線性判別分析, Linear Discriminant Analysis）在線性變換中的角色為何？ - (A) 透過非線性投影找出分類邊界 - (B) 仰賴線性變換將高維資料重構為低維潛在向量空間，屬於特徵投影與空間壓縮類別 - (C) 用於離散類別轉為連續空間的向量表示 - (D) 計算梯度方向的工具 **答案：(B)** 解析：LDA 與 Autoencoder 同屬「特徵投影與空間壓縮」類別，皆仰賴線性變換將高維資料重構為低維潛在向量空間。（chunks line 132–134） --- ## 第四部分｜矩陣分解與維度簡化（Q17–Q26） ### Q17 教材所述矩陣分解（Matrix Factorization）的核心概念為何？ - (A) 將一個高維矩陣加上常數項，產生新的矩陣 - (B) 將一個高維矩陣 X ∈ ℝᵐˣⁿ 拆解為數個較小矩陣的乘積，這些子矩陣在運算上更具可解性或在幾何上具有特定意涵 - (C) 透過機率方式更新矩陣中的條件機率 - (D) 將矩陣轉換為非線性表示形式 **答案：(B)** 解析：矩陣分解 = 將高維矩陣拆解為數個較小矩陣的乘積，這些子矩陣在運算上更具可解性，或在幾何上具有特定意涵；分解後可視為資料潛在結構（如主成分、潛在特徵）的表現。（chunks line 142） --- ### Q18 關於特徵值分解（Eigenvalue Decomposition）`A = QΛQᵀ` 的敘述，下列何者**錯誤**？ - (A) 適用於對稱方陣 - (B) Q 是正交矩陣，由 A 的特徵向量（Eigenvectors）構成 - (C) Λ 是對角矩陣，對角元素為特徵值（Eigenvalues） - (D) 適用於任意實數矩陣（不需為方陣） **答案：(D)** 解析：特徵值分解「適用於對稱方陣」；「適用於任意實數矩陣（不需為方陣）」是奇異值分解（SVD）的特性。題目刻意把特徵值分解與 SVD 的適用範圍對調。（chunks line 148–162、176） --- ### Q19 下列何者**並非**教材所列特徵值分解的應用場景？ - (A) 主成分分析（PCA）：將資料投影到最大變異方向上，達到降維與資訊保留的平衡 - (B) 線性判別分析（LDA）：找出最佳分類投影方向，最大化類別間差異與最小化類別內變異 - (C) 推薦系統：分解使用者 - 項目矩陣，找出潛在偏好向量 - (D) 「找出一組能穩定表示資料在空間中拉伸方向的基底，並量化每個方向的重要性」之幾何意義 **答案：(C)** 解析：「推薦系統：分解使用者 - 項目矩陣」是奇異值分解（SVD）的應用場景；特徵值分解的應用場景為 PCA 與 LDA。（chunks line 165–170、190–195） --- ### Q20 關於奇異值分解（Singular Value Decomposition, SVD）`X = UΣVᵀ`，下列敘述何者**錯誤**？ - (A) 可應用於任意實數矩陣（不需為方陣） - (B) U 為左奇異向量矩陣（對應樣本方向） - (C) Σ 為奇異值對角矩陣（對角線為非負實數，表示各主方向的重要性） - (D) Vᵀ 為對稱正定矩陣，且 V 對角元素為 0 或 1 **答案：(D)** 解析：V 為右奇異向量矩陣（對應特徵方向），是「右奇異向量構成的正交矩陣」，並非對稱正定且對角為 0/1 的矩陣。題目以錯誤屬性混淆學員。（chunks line 174–184） --- ### Q21 下列何者**並非**教材所列奇異值分解（SVD）的應用場景？ - (A) 資料降維（保留前 k 個奇異值與對應向量，近似原始資料，用於 PCA 計算） - (B) 推薦系統（分解使用者 - 項目矩陣，找出潛在偏好向量） - (C) 潛在語意分析（LSA，抽取語料中詞與文件間的潛在語意結構） - (D) 主題建模（Topic Modeling，將文件 – 詞矩陣分解為主題與詞彙分佈） **答案：(D)** 解析：「主題建模 Topic Modeling」是非負矩陣分解（NMF）的應用；SVD 的四大應用為資料降維、推薦系統、LSA、影像壓縮。題目把 NMF 應用塞入 SVD 干擾。（chunks line 190–195、212–217） --- ### Q22 關於非負矩陣分解（Non-negative Matrix Factorization, NMF）`X ≈ WH`，下列敘述何者**錯誤**？ - (A) 將非負矩陣 X 分解為兩個非負矩陣乘積：W 為基底矩陣（可視為潛在特徵）、H 為各基底的組合係數 - (B) 將資料視為幾個「可加疊的部件」，提供具備語意解釋力的解構方式，並能自然引入稀疏性 - (C) 適用於任意實數矩陣，且分解結果允許正負值 - (D) 應用包含主題建模、生物訊號分析、影像分析、社群分析 **答案：(C)** 解析：NMF 要求矩陣與分解結果皆為非負（W ≥ 0、H ≥ 0、X ≥ 0），不允許負值；題目把 NMF 與 SVD 的允許值範圍對調。（chunks line 201–217） --- ### Q23 下列三種矩陣分解方法與其「適用矩陣類型」的配對，何者**錯誤**？ - (A) 特徵值分解（Eigenvalue Decomposition）— 對稱方陣 - (B) 奇異值分解（SVD）— 任意實數矩陣（不需為方陣） - (C) 非負矩陣分解（NMF）— 非負矩陣（X ≥ 0） - (D) 特徵值分解（Eigenvalue Decomposition）— 非負矩陣（X ≥ 0） **答案：(D)** 解析：特徵值分解適用於「對稱方陣」，非「非負矩陣」；NMF 才是要求非負矩陣。題目把兩個分解方法的適用條件對調。（chunks line 148–151、176、201–202） --- ### Q24 下列何者**並非**教材所列「維度簡化」帶來的效益？ - (A) 提升訓練效率：減少模型參數量與計算資源需求，加快訓練時間 - (B) 穩定模型表現：去除雜訊與共線性問題，有助於降低過擬合風險 - (C) 強化資料解釋性：轉換後的特徵常具有明確的幾何或語意意義 - (D) 增加模型非線性表達能力，使模型能擬合複雜決策邊界 **答案：(D)** 解析：「增加非線性表達能力」是激活函數或核方法的功能；維度簡化的四大效益為提升訓練效率、穩定模型表現、強化資料解釋性、利於視覺化與後續分析。（chunks line 225–239） --- ### Q25 下列關於 PCA 與 SVD 關係的敘述，何者**錯誤**？ - (A) PCA 可透過對協方差矩陣進行特徵值分解實現 - (B) SVD「保留前 k 個奇異值與對應向量，近似原始資料」可用於 PCA 計算 - (C) PCA 與 SVD 皆可用於資料降維，背後的線性代數工具有關聯 - (D) PCA 不需要任何矩陣分解技術即可實現 **答案：(D)** 解析：PCA 仰賴矩陣分解（協方差矩陣的特徵值分解，或直接對特徵矩陣做 SVD）；教材明示「PCA 需對特徵矩陣進行協方差計算與矩陣分解」。（chunks line 70、169、192） --- ### Q26 下列何者**為** NMF（非負矩陣分解）的幾何意義？ - (A) 將矩陣轉換為不同空間基底的縮放與旋轉操作，具有極佳的數值穩定性與資訊解構能力 - (B) 找出一組能穩定表示資料在空間中「拉伸方向」的基底，並量化每個方向的重要性 - (C) 將資料視為幾個「可加疊的部件」，提供具備語意解釋力的解構方式，並能自然引入稀疏性 - (D) 透過機率推論將資料投影到條件機率空間 **答案：(C)** 解析：NMF 的幾何意義 = 將資料視為幾個「可加疊的部件」，提供具備語意解釋力的解構方式，並能自然引入稀疏性。(A) 為 SVD 幾何意義；(B) 為特徵值分解幾何意義。題目刻意 swap 三種分解方法的幾何敘述。（chunks line 163–165、186–188、208–210） --- ## 第五部分｜最小平方估計與線性迴歸（Q27–Q30） ### Q27 教材所述最小平方估計（Ordinary Least Squares, OLS）的核心概念為何？ - (A) 以「誤差最大化」為目標的參數估計方法 - (B) 以「誤差最小化」為目標的參數估計方法，比較模型預測值與實際觀測值之間的差異，使差異的平方總和達到最小 - (C) 以絕對值最小化為核心，對所有誤差給予均等權重 - (D) 以機率分佈最大化為核心的貝氏估計方法 **答案：(B)** 解析：最小平方估計（OLS）= 以「誤差最小化」為目標，比較預測值與實際觀測值差異，找出使差異「平方總和」達到最小的一組參數。「絕對值最小化」屬於 MAE / 最小絕對偏差類方法。（chunks line 247） --- ### Q28 教材所述線性迴歸（Linear Regression）的幾何本質為何？ - (A) 一種非線性映射，將多維特徵壓縮至離散標籤空間 - (B) 一種投影，將輸入資料在特徵空間中投影到一個最接近實際結果的平面上，這個平面即為模型所學習到的線性關係 - (C) 一種機率推論，計算 `P(Y|X)` 的後驗分佈 - (D) 一種非線性激活函數的組合 **答案：(B)** 解析：從幾何角度看，線性迴歸的本質是一種投影：將輸入資料在特徵空間中投影到一個最接近實際結果的平面上，這個平面就是模型學到的線性關係。（chunks line 251） --- ### Q29 下列關於線性迴歸資料分佈影響的敘述，何者**正確**？ - (A) 線性迴歸對資料的排列與變異不敏感，結果完全不受影響 - (B) 資料若分佈過於分散或存在離群點，擬合出的平面可能會受到扭曲 - (C) 線性迴歸的幾何本質為條件機率推論，與資料分佈無關 - (D) 線性迴歸只能用於完全均勻分佈的資料 **答案：(B)** 解析：資料的排列與變異會影響線性迴歸的準確性 — 若資料過於分散或存在離群點，擬合平面可能被扭曲。（chunks line 253） --- ### Q30 下列何者**並非**教材所列線性迴歸的常見應用情境？ - (A) 銷售預測（根據廣告支出或市場活動，預測未來營收） - (B) 醫療風險評估（用年齡、血壓等指標預測患病機率或醫療成本） - (C) 房價估值（將房屋大小、樓層、地點等作為輸入，預測合理價格） - (D) 影像分類（將輸入影像對應到離散物件類別） **答案：(D)** 解析：影像分類為分類任務（離散標籤），不是迴歸任務（連續數值）。教材列線性迴歸四大應用為銷售預測、醫療風險評估、房價估值、行為建模。（chunks line 259–262） --- ## 答案速查表 | Q | 答 | Q | 答 | Q | 答 | |---|---|---|---|---|---| | 1 | B | 11 | D | 21 | D | | 2 | B | 12 | A | 22 | C | | 3 | D | 13 | D | 23 | D | | 4 | B | 14 | B | 24 | D | | 5 | C | 15 | D | 25 | D | | 6 | D | 16 | B | 26 | C | | 7 | A | 17 | B | 27 | B | | 8 | B | 18 | D | 28 | B | | 9 | B | 19 | C | 29 | B | | 10 | A | 20 | D | 30 | D | ## 命題分布統計 | 章節 | 題號範圍 | 題數 | 重點 | |---|---|---:|---| | 前言與章節導覽 | Q1 | 1 | 線性代數於 ML 中的角色 | | 向量與矩陣表示 | Q2–Q9 | 8 | 向量定義、點積、L2 範數、矩陣應用、矩陣運算、線性迴歸/前向傳播/PCA 矩陣形式 | | 線性變換與特徵空間 | Q10–Q16 | 7 | 線性變換本質、4 幾何意義、特徵空間定義、PCA、Embedding、LDA/Autoencoder | | 矩陣分解與維度簡化 | Q17–Q26 | 10 | 矩陣分解概念、特徵值分解/SVD/NMF 三方法定義、適用矩陣類型、應用場景、幾何意義、維度簡化效益 | | 最小平方估計與線性迴歸 | Q27–Q30 | 4 | OLS 核心、線性迴歸幾何本質、資料分佈影響、應用情境 | | **合計** | — | **30** | — | ## 易混淆考點清單（找混淆提示詞輸出） | # | 易混淆對 | 差異 | |---|---|---| | 1 | 向量 vs 矩陣角色 | 向量=單一樣本特徵組合；矩陣=多個向量集合（多筆樣本/權重）（Q2/Q5） | | 2 | 點積 vs L2 範數 | 點積=兩向量同方向對應程度（投影/相似度）；L2 範數=向量長度/大小（Q3/Q4） | | 3 | 矩陣轉置 vs 求逆 | 轉置=列行互換、用於維度對齊；求逆/偽逆=封閉解求解（如最小平方）（Q6） | | 4 | 旋轉 vs 投影 | 旋轉=改向不改長度；投影=高維→子空間（如主成分空間/分類超平面）（Q11） | | 5 | 特徵值分解 vs SVD 適用矩陣 | 特徵值分解=對稱方陣；SVD=任意實數矩陣（不需為方陣）（Q18/Q23） | | 6 | SVD vs NMF 應用 | SVD=資料降維/推薦系統/LSA/影像壓縮；NMF=主題建模/生物訊號/影像分析/社群分析（Q21/Q23） | | 7 | NMF 允許值範圍 | NMF 必須 X ≥ 0、W ≥ 0、H ≥ 0；SVD 不限制正負（Q22） | | 8 | 三種矩陣分解的幾何意義 | 特徵值=拉伸方向基底；SVD=空間縮放旋轉；NMF=可加疊部件（Q26） | | 9 | OLS 平方 vs 絕對值最小化 | OLS=平方總和最小；MAE 系=絕對值最小（Q27） | | 10 | 影像分類 vs 線性迴歸應用 | 影像分類=分類（離散標籤）；線性迴歸=銷售/醫療/房價/行為建模（連續數值）（Q30） | --- — 命題：Heiter（2026-05-12） — 對應章節：L23102 線性代數之機器學習基礎應用（chunks 共 269 行）