上海师苑大学UShanghai NomatUniversity《线性代数》2024
《线性代数》 2024
目录I上海饰境大学Shanghai Normal Universit>线性代数课程介绍（IntroductiontoLinearAlgebra>什么是线性代数》向量（Vectors）矩阵>向量加法和数乘向量长度和点积>->解线性方程组（)(SolvingLinearEquations(1)）>线性方程组>解线性方程组的矩阵表示>矩阵（Matrices）>矩阵的运算>分块矩阵》逆矩阵>转置矩阵和置换矩阵2
目录 I Ġ 线性代数课程介绍 (Introduction to Linear Algebra) Ġ 什么是线性代数 Ġ 向量 (Vectors) Ġ 向量加法和数乘 Ġ 向量长度和点积 Ġ 矩阵 Ġ 解线性方程组 (I)(Solving Linear Equations(I)) Ġ 线性方程组 Ġ 解线性方程组的矩阵表示 Ġ 矩阵 (Matrices) Ġ 矩阵的运算 Ġ 分块矩阵 Ġ 逆矩阵 Ġ 转置矩阵和置换矩阵 2
目录Ⅱ上海饰境大学山Shanghai Normal Universit>向量空间（VectorSpace）>子空间》向量空间的基本概念>相关性、基和维度（Independence,BasisandDimension）》线性相关性向量空间的基和维度>矩阵的列秩与行秩（ColumnRankandRowRankofMatrices>通过Gauss-Jordan消元法来求A-1》列空间的秩与行空间的秩>解线性方程组（ll)(SolvingLinearEquations(ll)）>矩阵的秩>Ax=0的解>Ax=b的解3
目录 II Ġ 向量空间 (Vector Space) Ġ 向量空间的基本概念 Ġ 子空间 Ġ 相关性、基和维度 (Independence, Basis and Dimension) Ġ 线性相关性 Ġ 向量空间的基和维度 Ġ 矩阵的列秩与行秩 (Column Rank and Row Rank of Matrices) Ġ 列空间的秩与行空间的秩 Ġ 通过 Gauss−Jordan 消元法来求 A−1 Ġ 解线性方程组 (II)(Solving Linear Equations(II)) Ġ 矩阵的秩 Ġ Ax = 0 的解 Ġ Ax = b 的解 3
目录川上海饰境大学山Shanghai Normal Universit>正交和投影（OrthogonalityandProjection）》正交性>投影>投影到一条直线>投影到一个子空间>最小二乘，标准正交基（LeastSguareApproximations，OrthonormalBases）>最小二乘法>标准正交基和Gram-Schmidt正交化>行列式（Determinants）》什么是行列式》行列式的性质》行列式的计算行列式更多的性质》行列式的展开>行列式的正式定义>特征值与特征向量（EigenvaluesandEigenvectors）》特征值介绍>对角化矩阵4
目录 III Ġ 正交和投影 (Orthogonality and Projection) Ġ 正交性 Ġ 投影 Ġ 投影到一条直线 Ġ 投影到一个子空间 Ġ 最小二乘，标准正交基 (Least Square Approximations, Orthonormal Bases) Ġ 最小二乘法 Ġ 标准正交基和 Gram-Schmidt 正交化 Ġ 行列式 (Determinants) Ġ 什么是行列式 Ġ 行列式的性质 Ġ 行列式的计算 Ġ 行列式更多的性质 Ġ 行列式的正式定义 Ġ 行列式的展开 Ġ 特征值与特征向量 (Eigenvalues and Eigenvectors) Ġ 特征值介绍 Ġ 对角化矩阵 4
目录IV上海师苑大学Shanghai Normal Universit>对称矩阵和正定矩阵（SymmetricMatricesandPositiveDefiniteMatrices）对称矩阵》正定矩阵》特征空间、代数重数以及几何重数>线性变换（LinearTransformation）>线性变换的概念>线性变换的矩阵形式>线性变换的像和核>对偶性（Duality）>奇异值分解（SingularValueDecomposition）>SVD基础>用线来拟合数据>用k维子空间拟合数据>再看Ax=b的近似解5
目录 IV Ġ 对称矩阵和正定矩阵 (Symmetric Matrices and Positive Definite Matrices) Ġ 对称矩阵 Ġ 正定矩阵 Ġ 特征空间、代数重数以及几何重数 Ġ 线性变换 (Linear Transformation) Ġ 线性变换的概念 Ġ 线性变换的矩阵形式 Ġ 线性变换的像和核 Ġ 对偶性 (Duality) Ġ 奇异值分解 (Singular Value Decomposition) Ġ SVD 基础 Ġ 用线来拟合数据 Ġ 用 k 维子空间拟合数据 Ġ 再看 Ax = b 的近似解 5