スカラー、ベクトル、行列、テンソルの概念

機械学習や強化学習の基礎となる数学の一つが線形代数であり、その中でも重要な基本概念として「スカラー」「ベクトル」「行列」「テンソル」があります。以下、それぞれについて詳しく説明します。

---

1. スカラー（Scalar）

定義
スカラーは、大きさ（値）のみを持つ数です。1つの実数または複素数で表され、方向や次元の情報はありません。

例

• 実数: 5, -2.3, π

• 強化学習での報酬値（Reward）などがスカラー

特徴

• 次元数は「0次元」

• 通常の四則演算が可能（加減乗除）

---

2. ベクトル（Vector）

定義
ベクトルは、複数の数（スカラー）を一次元で並べた集合体です。大きさと方向を持ち、数直線や空間上の点を表すことができます。

表記例

• 列ベクトル:

  $$\mathbf{v} = \begin{bmatrix} v_1 \\ v_2 \\ \vdots \\ v_n \end{bmatrix}$$

• 行ベクトル:

  $$\mathbf{v} = [v_1, v_2, \dots, v_n]$$

例

• 特徴量ベクトル（例: 身長・体重・年齢など）

• ニューラルネットワークの入力層や出力層

特徴

• 次元数は「1次元」

• 線形結合、内積、外積などの演算が可能

---

3. 行列（Matrix）

定義
行列は、数（スカラー）を縦横に並べた2次元の配列です。複数のベクトルを並べた構造とも見なせます。

表記例

$$\mathbf{A} = \begin{bmatrix} a_{11} & a_{12} & \dots & a_{1n} \\ a_{21} & a_{22} & \dots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \dots & a_{mn} \end{bmatrix}$$

（m行n列の行列）

例

• 重み行列（ニューラルネットワーク）

• データセットの行列（各行がデータサンプル、各列が特徴量）

特徴

• 次元数は「2次元」

• 行列積、転置、逆行列、固有値分解などの演算対象

---

4. テンソル（Tensor）

定義
テンソルは、スカラー・ベクトル・行列を一般化した多次元配列です。次元数（ランク）によってスカラー・ベクトル・行列を内包します。

例

• 画像データ（高さ×幅×RGB）

• バッチ学習データ（サンプル数×特徴量×時間ステップなど）

特徴

• 次元数は任意（3次元以上）

• 多次元での変換、ブロードキャスト、畳み込み処理に使用

---

まとめ

---

これらの概念を正確に理解し、扱えることが、機械学習や強化学習のアルゴリズムを数式・コードの両面から正しく実装・運用するうえで不可欠です。