0. 导读 每个学习过线性代数的人,心中一定充满疑问,往往百思难得其解,本书列举一些,并且自然而然地解决了这些问题,
导读
如果你有幸读到这个线性代数系列,恭喜你!你将获得最自然和最本质的解读线性代数的方式。
每个学习过线性代数的人,心中一定充满疑问,往往百思难得其解,本系列列举一些,并且自然而然地解决了这些问题,希望你读完本系列后对这些问题有透彻理解。如果你从零开始学习线性代数,则希望你读到相关章节时带着这些问题仔细阅读。如果读者有时间,建议从头开始按顺序读,如果时间不够,建议认真阅读第一章,然后可以针对各个知识点选读,如遇到不懂的,可以看相关章节。
目标读者为两类,一类是零基础,另一类是学完线性代数之后的读者。所以本科生,研究生,科研工作者都能从本系列受益,甚至高中生都可以阅读本系列,因为读者不需要任何基础就能阅读本系列,只需有简单的矢量知识作为背景知识就能理解本系列。
线性代数用来解决什么问题的?线性代数以向量和矩阵为工具,解决线性空间中向量的合成与分解问题。
矩阵是什么?可以多角度观察,是有序向量组,是线性变换,甚至是数值表格。
矩阵乘法为什么那么定义,初看很变扭,其实很自然?就是向量合成。
AB≠BAAB \neq BAAB=BA,矩阵乘法一般情况下为什么不满足交换律,因为它们本来就是两个完全不同的对象。实数乘法满足交换律是个定理,需要证明,a个b的和居然等于b个a的和,多么不可思议!
矩阵行列式 detAdet AdetA 计算公式为什么那么复杂,这个数值到底代表什么?它其实就是A的列向量组构成的多边形的有向体积。那为什么要定义成体积呢?因为当A的列向量组线性相关(不可逆)时,此多边形的体积为0。
(AB)T=BTAT;(AB)−1=B−1A−1(AB)^T=B^TA^T; (AB)^{-1}=B^{-1}A^{-1}(AB)T=BTAT;(AB)−1=B−1A−1,矩阵转置和逆的公式为什么如此相似?因为方程 Ax=bA\mathbf {x}=\mathbf{b}Ax=b 的解空间为 ATuA^T\mathbf{u}ATu,与解 A−1bA^{-1}\mathbf{b}A−1b 形式相似。正交矩阵的转置等于逆:QT=Q−1Q^T=Q^{-1}QT=Q−1。
为什么只有方阵才可能有逆,方阵的列向量组线性无关时为什么可逆呢?因为此时方阵是个一一映射的变换。
矩阵有逆,其实还有左逆、右逆和伪逆,你知道吗?它们对应矩阵行列均满秩,列满秩、行满秩和列行均不满秩,它们分别用于求唯一解、最优近似解、范数最小解和最优近似解中范数最小的解(伪逆解)。
Ax=bA\mathbf {x}=\mathbf{b}Ax=b 对任意矩阵 AAA 存在通解公式吗?伪逆解 +++ 零解!
矩阵的秩能用一句大白话让小学生深刻理解吗?秩就是方程 Ax=0A\mathbf {x}=\mathbf{0}Ax=0 独立方程的数量。
向量组线性无关为什么如此重要,因为它保证方程 Ax=bA\mathbf {x}=\mathbf{b}Ax=b 是单射。
矩阵 AmnA_{mn}Amn 的四个子空间:零空间 {x:Ax=0}\{\mathbf{x}:A\mathbf{x}=\mathbf{0}\}{x:Ax=0} 和行空间 {ATu}\{A^T\mathbf{u}\}{ATu},它们是 RnR^nRn 空间中的正交互补子空间;左零空间 {x:ATx=0}\{\mathbf{x}:A^T\mathbf{x}=\mathbf{0}\}{x:ATx=0} 和列空间 {Av}\{A\mathbf{v}\}{Av} ,它们是 RmR^mRm 空间中的正交互补子空间。它们是方程Ax=bA\mathbf {x}=\mathbf{b}Ax=b 的核心概念!零空间 {x:Ax=0}\{\mathbf{x}:A\mathbf{x}=\mathbf{0}\}{x:Ax=0} 就是零解;行空间和列空间的维度相等,等于矩阵秩,这两个子空间构成一一映射,变换矩阵分别为 AmnA_{mn}Amn 和伪逆 Anm+A^+_{nm}Anm+ ;左零空间 {x:ATx=0}\{\mathbf{x}:A^T\mathbf{x}=\mathbf{0}\}{x:ATx=0} 不能被列空间 {Av}\{A\mathbf{v}\}{Av} 表示。如果没有理解这四个子空间,就不可能深刻理解方程 Ax=bA\mathbf {x}=\mathbf{b}Ax=b 。
注意到矩阵 ATAA^TAATA 和 AATAA^TAAT 的重要性吗?它们对计算左逆、右逆和伪逆极其重要,四个矩阵 ATAA^TAATA 、AATAA^TAAT 、ATA^TAT 和 AAA 秩均相同。
对称矩阵的谱定理 S=QΛQTS=Q\Lambda Q^TS=QΛQT 和任意矩阵的奇异值分解 A=UΣVTA=U\Sigma V^TA=UΣVT ,它们之间的内在联系你知道吗?
矩阵分解的目的是什么?如 Sn=QΛQTS_n=Q\Lambda Q^TSn=QΛQT , Amn=UΣVTA_{mn}=U\Sigma V^TAmn=UΣVT , An=XΛX−1A_n=X\Lambda X^{-1}An=XΛX−1 , An=LDUA_n=LD UAn=LDU , Amn=QRA_{mn}=QRAmn=QR ,An=XJX−1A_n=XJ X^{-1}An=XJX−1 ,An=QRQTA_n=QR Q^TAn=QRQT ,是为了各个分量尽可能解耦和简化方程Ax=bA\mathbf {x}=\mathbf{b}Ax=b 求解。由于矩阵的性质不同,故有各种分解形式。
你会证明奇异值分解 A=UΣVTA=U\Sigma V^TA=UΣVT 定理吗?
奇异值分解的应用你真正掌握了吗?数据压缩(矩阵低秩最优近似)、数据降维(PCA)、总体最小二乘法(TLS)、数据高度相关时如何拟合(伪逆或岭回归)。
矩阵特征值数值不稳定,而奇异值稳定,知道原因吗?
如何计算高阶矩阵的特征值?解方程吗,可是4阶以上方程无代数解啊!
矩阵 QRQRQR 分解对解方程的重要性。
0. 导读 每个学习过线性代数的人,心中一定充满疑问,往往百思难得其解,本书列举一些,并且自然而然地解决了这些问题,相关推荐
- 线性代数的本质及其在AI中的应用
线性代数是 AI 专家必须掌握的知识,这已不再是个秘密.如果不掌握应用数学这个领域,你永远就只能是「门外汉」.当然,学习线性代数道阻且长.数学,尤其是线性代数常与枯燥.复杂和毫无意义的事物联系起来.不 ...
- c语言中x的n次方怎么表示_线性代数的本质及其在AI中的应用
线性代数是 AI 专家必须掌握的知识,这已不再是个秘密.如果不掌握应用数学这个领域,你永远就只能是「门外汉」.当然,学习线性代数道阻且长.数学,尤其是线性代数常与枯燥.复杂和毫无意义的事物联系起来.不 ...
- c语言中x的n次方怎么表示_线性代数的本质及其在人工智能中的应用
线性代数是 AI 专家必须掌握的知识,这已不再是个秘密.如果不掌握应用数学这个领域,你永远就只能是「门外汉」.当然,学习线性代数道阻且长.数学,尤其是线性代数常与枯燥.复杂和毫无意义的事物联系起来.不 ...
- 3blue1brown线性代数的本质笔记
3blue1brown线性代数的本质视频 目录 1.向量究竟是什么? 2.线性组合.张成空间与基 3.矩阵与线性变换 4.矩阵乘法与线性变换复合 5.行列式 6.逆矩阵.列空间和零空间 7.点积与对偶 ...
- 线性代数的本质(3Blue1Brown线代笔记)
01:向量究竟是什么? 从物理专业学生视角看,向量是空间中的箭头,向量可在空间中自由落脚,决定向量的是它的长度和所指的方向. 从计算机专业学生的视角看,向量是有序的数字列表,例如研究房价,你会用二维向 ...
- 线性代数的学习及相关资源
线性代数的学习及相关资源 本来是想写"Coursera公开课笔记: 斯坦福大学机器学习第三课"线性代数回顾(Linear Algebra Review)"的,但是这一课仅 ...
- 《线性代数的本质》学习笔记
诸神缄默不语-个人CSDN博文目录 VX号"PolarisRisingWar"可直接搜索添加作者好友讨论. 本文是3B1B视频课程<线性代数的本质>全内容笔记. 更新日 ...
- 线性代数的本质学习笔记
线性代数的本质 文章目录 线性代数的本质 1.向量究竟是什么 2.线性组合.张成的空间.基 3.矩阵与线性变换 4.矩阵乘法与线性变换复合 5.三维空间中的线性变换 6.行列式 7.逆矩阵.列空间与零 ...
- 聊聊编程与线性代数的关系
转 来源:算法与数学之美 编辑:Cookies [导读]在大学数学学科中,线性代数是最为抽象的一门课,从初等数学到线性代数的思维跨度比微积分和概率统计要大得多.很多人学过以后一直停留在知其然不知 其所 ...
最新文章
- UIAlertController 简单修改title以及按钮的字体颜色
- C语言 | 卡尔曼滤波算法2——算法分析
- Increasing Subsequence (hard version)
- java报错:java:xxx包不存在
- idea lombok安装后还是标红_开发效率不高?强烈推荐这十款精选IDEA插件
- 用python实现搜索树_二叉搜索树的python实现
- 计算机电源故障引起火灾,计算机硬件的常见故障及维护方法
- 网吧游戏更新与保护解决方案
- Nginx网页优化(版本、缓存时间、日志分隔、连接超时)
- 汤姆猫代码python_IOS 汤姆猫核心代码
- pandas.melt()详解
- 棱镜为什么能把阳光分成七色呢?
- mailgun_用Mailgun邮寄出去!
- SQL中row_numer、rank、dense_rank的区别与用途
- Kali学习 | 漏洞利用:4.4 控制Meterpreter
- php中文ascii码范围,标准ascii码字符集共有几个编码?
- 【两所广东211】成立人工智能学院
- 1970 matla 时间_在Matlab中将Epoch转换为Date
- endnote 进行 convert to plain text操作后word格式大变问题解决办法
- 小甲鱼《零基础学习Python》课后笔记(二十三、二十四):递归——这帮小兔崽子和汉诺塔