MIT-線性代數-寫點之前沒有感受過的體會
1.矩陣乘法的本質:
第一種理解:
即AB=C.即C的每一列代表著B的一列作為係數對A的各列的一個線性組合(以點乘的形式表示),具體表示看圖片.
第二種理解:
以B為主體,C中的每一行代表著,A中的某一行作為引數,對B的各行的一個線性組合.(以點乘的形式表示).具體看圖片.
第三種理解:
A為mxn矩陣,B為nxp矩陣,實際上代表的是:A的n列單乘B的n行得到的矩陣相加.
2.求解逆矩陣的方法
Gauss-Jordan 方法(結合高斯消元法和Jordan的行間乘加可以得到逆矩陣)
對1,2的具體筆記內容:
漫畫線性代數讀後感:
2x2矩陣的行列式是以兩個列向量為邊的平行四邊形的面積.
3x3矩陣的行列式是以三個列向量為邊的平行六面體的面積.
相關推薦
MIT-線性代數-寫點之前沒有感受過的體會
1.矩陣乘法的本質: 第一種理解: 即AB=C.即C的每一列代表著B的一列作為係數對A的各列的一個線性組合(以點乘的形式表示),具體表示看圖片. 第二種理解: 以B為主體,C中的每一行代表著,A中的某一行作為引數,對B的各行的一個線性組合.(以點乘的形式表示).具體看
MIT線性代數：1.方程組的幾何解析
圖片 IT bubuko img 9.png inf 方程 mage 解析 MIT線性代數：1.方程組的幾何解析
MIT線性代數公開課學習筆記第16~20課
ots 正交 其中 圖片 線性 現在 出現 正交化 play 十六、投影矩陣和最小二乘 給出\(n\)組\(m-1\)個自變量的數據點(用\(n\times m\)大小的矩陣\(A\)表示，其中第一列均為1，代表常數項)，以及它們的真實取值(用n維列向量\(b\)表示)，現
MIT線性代數公開課學習筆記第21~25課
幾何 教材 線性 學習 標量 求解 一個 spa lambda 二十一、特征值和特征向量 1、特征值和特征向量的定義、求解 給出\(n\)階方陣\(A\)，若存在\(n\)維列向量\(x\)和標量\(\lambda\)，有\(Ax=\lambda x\)，則\(x\)是\(
MIT線性代數：10.4個基本子空間
IT 線性代數 png image http .com In info 空間 MIT線性代數：10.4個基本子空間
MIT線性代數：16.投影矩陣和最小二乘
線性代數 技術 最小二乘 最小 image 代數 線性 圖片 投影 MIT線性代數：16.投影矩陣和最小二乘
MIT線性代數：17.正交矩陣和Cram-Schmidt正交化
com img image -s idt 圖片 ima IT ID MIT線性代數：17.正交矩陣和Cram-Schmidt正交化
MIT線性代數：21.特征值和特征向量
向量 IT 線性 TP mage 特征 In 圖片 技術分享 MIT線性代數：21.特征值和特征向量
MIT線性代數公開課學習筆記第31~35課
圖像 .com 小波 要求 小波變換 ron 現在 alpha times 三十一、線性變換及對應矩陣 定義線性變換： \[T:\mathbb{R}^n\to \mathbb{R}^m\] 表示的是n維列向量到m維列向量的映射，該映射是可以線性組合的，即： \[T(ax+b
【讀書筆記】：MIT線性代數(1):Linear Combinations
http info cti pla imp column ase fin generate 1. Linear Combination Two linear operations of vectors: Linear combination: 2.Geometric
【讀書筆記】：MIT線性代數(4):Independence, Basis and Dimension
bsp variables inf ane image ace play mit variable Independence: The columns of A are independent when the nullspace N (A) contains only t
MIT 線性代數導論 第二十四講~二十九講的概念梳理
最後的這幾講很多是介紹一些概念以及應用和複習總結，所以簡單記錄下一下，不再詳細展開。 主要內容有： 馬爾可夫矩陣以及傅立葉級數的概念 實對稱矩陣以及正定矩陣的介紹 相似矩陣的概念 正定矩陣的概念 馬爾可夫矩陣 馬爾可夫矩陣（Markov Matri
MIT 線性代數導論 第二講：矩陣消元
第二講的主要內容： 線性方程組的消元法 使用矩陣語言表示消元過程 向量、矩陣乘的理解 置換矩陣的概念 初步逆矩陣的概念 線性方程組的消元法 例子： {x+2y+z=23x+8y+z=124y+z=2\left\{\begin{matrix} x+2y+z=2
MIT 線性代數導論 第三講：矩陣乘法與逆矩陣
為了以後自己看的明白(●’◡’●)，我決定對複雜的計算過程不再用Latex插入數學公式了（記得不熟的實在是太費勁了，還是手寫好~） 第三講的主要內容有兩個： 四種矩陣乘法的方式 逆矩陣的概念以及計算方式 矩陣乘法（Matrix multiplication）
MIT 線性代數導論 第五講：置換-轉置-向量空間
本講的主要內容有： 轉置矩陣的概念 置換矩陣的概念 對稱矩陣的概念以及如何求得 向量空間的概念以及由矩陣生成向量空間 置換矩陣（Permutation Maxtrix） 在之前的一講中介紹了置換矩陣，置換矩陣就是行重新排列的單位矩陣，簡記為 PPP ，使用
MIT 線性代數導論 第六講：列空間以及零空間
本講的主要內容： 回顧向量空間以及子空間的知識點 使用線性方程組的思想看待列空間問題 零空間的概念 向量空間以及子空間 這裡主要是對之前的知識的一點回顧，有一點新問題是對於子空間，交以及並是否仍然是子空間？ 這裡以三維空間 R3R^{3}R3 為例： 取 P
MIT 線性代數導論 第九講：四個基本子空間
本講的主要內容： 四種子空間的概念以及維數、基 四種基本子空間 首先了解四種基本子空間是什麼： 列空間（column space），簡記為 C(A)C(A)C(A)， 由矩陣的列向量生成的空間 零空間（null space），簡記為 N(A)N(A)N(A
MIT 線性代數導論 第十一講：矩陣空間、秩1矩陣和小世界圖
本講的主要內容有： 矩陣空間的具體概念 秩1矩陣的概念以及性質 小世界圖 矩陣空間 在之前的一講中提到了矩陣空間的概念，其實本質上與之前的向量空間是一致的，只是概念的拓展。例如：矩陣空間 MMM 是所有 3×33\times33×3 的矩陣構成的空間，它的子
MIT 線性代數導論 第十八講：行列式及其性質
從這一講開始新的章節。這一講主要是一些基礎概念性質，所以比較簡單。 本講的主要內容： 行列式的概念 行列式的重要性質 行列式的概念以及基本的三個性質 行列式是由方陣 AAA 確定的一個標量，記作 detadet \enspace adeta 或者 ∣A∣|A
MIT 線性代數導論 第二十講：特徵值與特徵向量
敲黑板，敲黑板 。特徵向量與特徵值在很多地方都有應用，這一將開始講這一部分的內容，也是線性代數裡面很重要的一部分知識了。 這一講的主要內容： 特徵值、特徵向量的概念 特徵值與特徵向量的計算方法 特徵向量、特徵值的概念 對於矩陣 AAA 和向量 xxx ， 有