【線性代數】矩陣、向量、行列式、特徵值與特徵向量（掌握這些概念一篇文章就夠了）
在數學領域中，線性代數是一門十分有魅力的學科，首先，它不難學；其次，它能廣泛應用於現實生活中；另外，在機器學習越來越被重視的現在，線性代數也能算得上是一個優秀程式設計師的基本素養吧？
一、線性代數的入門知識
很多人在大學學習線性代數時，國內教材書上大多一開始就是行列式的表示、計算、性質等等東西，讓人看得雲裡霧裡，一頭霧水，然後要花很多時間才大概知道線性代數是個什麼東西。本文不提書上晦澀難懂的內容，儘量用大白話來闡述我對線性代數的淺顯理解。
（一）矩陣
1、矩陣的表示
在中學的時候，我們會經常看到這樣子的方程組：
看到這樣子的方程組，不由感到十分懷念。不過有沒有這種感想，當年解三元一次方程組的時候，特別煩，消元后要抄一遍，代入後又抄一遍，特別麻煩。於是數學家發明了矩陣，把方程組中所有係數寫到了一個框裡面，把所有未知數寫到第二個框裡，把所有等式右邊的值寫到第三個框裡。
相關推薦
【線性代數】矩陣、向量、行列式、特徵值與特徵向量（掌握這些概念一篇文章就夠了）
在數學領域中，線性代數是一門十分有魅力的學科，首先，它不難學；其次，它能廣泛應用於現實生活中；另外，在機器學習越來越被重視的現在，線性代數也能算得上是一個優秀程式設計師的基本素養吧？ 一、線性代數的入門知識 很多人在大學學習線性代數時，國內
Activity、View、Window的理解一篇文章就夠了
要了解這三者之間的關係，我們帶著問題通過分析原始碼一步一步來揭開它們的神祕面紗！ 文章有點長，首先要理解Activity、View、Window，我提出了一些問題，這篇文章可以解答如下問題： 1、為什麼要設計Activity、View、Window？ 2、
【線性代數】矩陣的特徵分解、特徵值和特徵向量(eigen-decomposition, eigen-value & eigen-vector)
就像我們可以通過質因數分解來發現整數的一些內在性質一樣(12 = 2 x 2 x 3)，我們也可以通過分解矩陣來發現表示成陣列元素時不明顯的函式性質。 矩陣分解有種方式，常見的有 特徵分解 SVD 分解 三角分解 特徵分解 特徵分解是使用最廣泛的
【線性代數】矩陣的零空間
矩陣A的零空間就Ax=0的解的集合。 零空間的求法：對矩陣A進行消元求得主變數和自由變數；給自由變數賦值得到特解；對特解進行線性組合得到零空間。 假設矩陣如下： 對矩陣A進行高斯消元得到上三角矩陣U，繼續化簡得到最簡矩陣R： 由於方程Ax=0的右側是零向量，所以只對矩陣
【線性代數】矩陣的四個基本子空間
矩陣的四個基本子空間 1、零空間 矩陣A的零空間就Ax=0的解的集合。假設矩陣的秩為r，矩陣為m*n的矩陣，則零空間的維數為n-r。因為秩為r，則自由變數的個數為n-r，有幾個自由變數，零空間就可以表示層幾個特解的線性組合，也即是零空間的維數為自由變數的個
HCIE學習和考試如何規劃、安排，看這篇文章就夠了（雖然很骨感）
學習和備考HCIE 乾頤堂hcieHCIE之路分享下 備考HCIE 心酸之路去年三月份一個人踏上魔都奮鬥之路，之前在武漢 一直做華三的產品。 武漢準備考HCIE 一直等到來上海 ，去QYT 報了名，琉兒給我辦理好了一切。本以為會按照很順利的節奏參加軍哥的課程，從NA 開始學習。可是，生活總是不如人願。 從四月
徹底理解SpringIOC、DI-這篇文章就夠了
本文已收錄在公眾號：https://mp.weixin.qq.com/s/FIm84EGVV21phajCaLjgaA 前言 你可能會有如下問題： 1、想看Spring原始碼，但是不知道應當如何入手去看，對整個Bean的流程沒有概念，碰到相關問題也沒有頭緒如何下手 2、看過幾遍原始碼，沒辦法徹底理解，沒什麼感
【萬字圖文-原創】 | 學會Java中的執行緒池，這一篇也許就夠了！
 ### 碎碎念 關於JDK原始碼相關的文章這已經是第四篇了，原創不易，粉絲從幾十人到昨天的`666`人，真的很感謝之前幫我
【線性代數公開課MIT Linear Algebra】 第二十四課 特徵值與特徵向量的應用——馬爾科夫矩陣、傅立葉級數
本系列筆記為方便日後自己查閱而寫，更多的是個人見解，也算一種學習的複習與總結，望善始善終吧~ 馬爾科夫矩陣Markov Matrix 馬爾科夫矩陣Markov Matrix有兩個性質：所有元素大於等於0，所有矩陣的列相加等於1。 這裡性質導致一
【機器學習】【線性代數】正交基、標準正交基、正交矩陣，正交變換等數學知識點
1.正交向量組直接給定義：歐式空間V的一組非零向量，如果他們倆倆向量正交，則稱是一個正交向量組。（1）正交向量組 是 線性無關的（2）n維歐式空間中倆倆正交的非零向量不會超過n個，即n維歐式空間中一個正交向量組最多n個向量2.正交基在n維歐式空間中，由n個非零向量組成的正交向
【線性代數】2-6:三角矩陣( $A=LU$ and $A=LDU$ )
title: 【線性代數】2-6:三角矩陣( A=LUA=LUA=LU and A=LDUA=LDUA=LDU ) toc: true categories: Mathematic Linear Algebra date: 2017-09-12 15:41:
【線性代數】標準正交矩陣與Gram-Schmidt正交化
1、標準正交矩陣 假設矩陣Q有列向量q1,q2,...,qn表示，且其列向量滿足下式： 則 若Q為方陣，由上面的式子則有 我們舉例說明上述概念： 2、標準正交矩陣的好處 上面我們介紹了標準正交矩陣，那麼標準正交矩
【線性代數】向量的乘法運算
最近把向量乘法運算搞混了，故而溫習一下。 內容主要來自以下兩個文件 0. 綜述 常用的, a·b=||a||||b||cosθ, 這個是向量的內積，又叫數量積，又叫點積。 axb = ||a||||b||sinθ，這個是向量的外積，又叫向量積，又叫叉
線性代數（六）矩陣的特徵值與特徵向量——特徵值與特徵向量求解 矩陣對角化
本節主要知識點 1.特徵向量與特徵值的定義：A為n階方陣，x為非零向量，Ax=λx，則λ為A的特徵值，x為A的屬於特徵值的特徵向量。 2.特徵值與特徵向量的求解過程（重點） 寫出f(λ)=det(A-λI) 特徵值：計算f(λ)的全部根 特徵向量：對A的每一個特徵值
【線性代數】3-4:方程組的完整解( $Ax=b$ )
title: 【線性代數】3-4:方程組的完整解( Ax=bAx=bAx=b ) categories: Mathematic Linear Algebra keywords: Ax=b Special Solution Full Column Rank F
【線性代數】線性方程組
齊次線性方程組：沒有常數的方程組 方程全體系數的矩陣表示叫係數矩陣常用A表示 係數矩陣的最後一列加上方程組的常數項叫增廣矩陣 初等變換 方程某行同乘以不為零的數 方程加上某行的倍數 某兩個方程交換位置 重新組成的方程為同解方程組 基礎解系：是一個個的解向量 通解：用c1α
【線性代數】正交變換與座標系的關係
1 正交變換 幾何意義： 正交變換是保持圖形形狀和大小不變的幾何變換,包含旋轉,平移,軸反射及上述變換的複合. 正交可以保證向量的長度和兩個向量之間的角度不變. 定理： 線段變為等長線段 單位向量變為單位向量 笛卡爾座標系變為笛卡爾座標系 矩形變為全等的矩形
【線性代數】多項式各類演算法總結
前言： 這可能是本蒟蒻在2018省選以前寫的最難的東西了。 考慮到時間緊迫，所以有些東西我自己也不能完全理解，只能照搬課件。 只能以後再看機會填坑了 再說回多項式，幾乎所有的多項式演算法都是基於NTT的優化，也就是說，要想辦法把所有的運算，轉化為可以使用
【線性代數】方程組的幾何解釋
一、二維情況 首先，給出如下的二元一次方程組： 我們初中就對上面的二元一次方程組進行過求解，求解很簡單。但是我們現在利用線性代數來表示這個式子，上式可以表示為： 我們這裡假設用小寫字母表示向量，大寫字母表示矩陣。上面可以二元一次方程組便轉化為求解x,y。下面我們從幾種不
【線性代數】正交投影
我們在初中就應該學過投影，那麼什麼是投影呢？形象點說，就是將你需要投影的東西上的每一點向你要投影的平面作垂線，垂線與平面的交點的集合就是你的投影。注意這裡我們的投影是向量的投影，幾何的投