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

如果你有幸拿到这本书,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,本书列举一些,并且自然而然地解决了这些问题,希望你读完本书后对这些问题有透彻理解。如果你从零开始学习,则希望你带着这些问题仔细阅读本书。

  1. 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。

  2. 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。

  3. 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。

  4. A B B A AB \neq 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!

  5. 矩阵行列式 d e t A det A 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。

  6. ( A B ) T B T A T ; ( A B ) 1 B 1 A 1 (AB)^T=B^TA^T; (AB)^{-1}=B^{-1}A^{-1} ,矩阵转置和逆的公式为什么如此相似?因为方程 A x = b A\mathbf {x}=\mathbf{b} 的解空间为 A T u A^T\mathbf{u} ,与解 A 1 b A^{-1}\mathbf{b} 形式相似。正交矩阵的转置等于逆: Q T = Q 1 Q^T=Q^{-1}

  7. 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。

  8. 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)。

  9. A x = b A\mathbf {x}=\mathbf{b} 对任意矩阵 A A 存在通解公式吗?伪逆解 零解!

  10. 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 A x = 0 A\mathbf {x}=\mathbf{0} 独立方程的数量。

  11. 向量组线性无关为什么如此重要,因为它保证方程 A x = b A\mathbf {x}=\mathbf{b} 是单射。

  12. 矩阵 A m n A_{mn} 的四个子空间:零空间 { x : A x = 0 } \{\mathbf{x}:A\mathbf{x}=\mathbf{0}\} 和行空间 { A T u } \{A^T\mathbf{u}\} ,它们是 R n R^n 空间中的正交互补子空间;左零空间 { x : A T x = 0 } \{\mathbf{x}:A^T\mathbf{x}=\mathbf{0}\} 和列空间 { A v } \{A\mathbf{v}\} ,它们是 R m R^m 空间中的正交互补子空间。它们是方程 A x = b A\mathbf {x}=\mathbf{b} 的核心概念!零空间 { x : A x = 0 } \{\mathbf{x}:A\mathbf{x}=\mathbf{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 A m n A_{mn} 和伪逆 A n m + A^+_{nm} ;左零空间 { x : A T x = 0 } \{\mathbf{x}:A^T\mathbf{x}=\mathbf{0}\} 不能被列空间 { A v } \{A\mathbf{v}\} 表示。如果没有理解这四个子空间,就不可能深刻理解方程 A x = b A\mathbf {x}=\mathbf{b}

  13. 注意到矩阵 A T A A^TA A A T AA^T 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 A T A A^TA A A T AA^T A T A^T A A 秩均相同。

  14. 对称矩阵的谱定理 S = Q Λ Q T S=Q\Lambda Q^T 和任意矩阵的奇异值分解 A = U Σ V T A=U\Sigma V^T ,它们之间的内在联系你知道吗?

  15. 矩阵分解的目的是什么?如 S n = Q Λ Q T S_n=Q\Lambda Q^T A m n = U Σ V T A_{mn}=U\Sigma V^T A n = X Λ X 1 A_n=X\Lambda X^{-1} A n = L D U A_n=LD U A m n = Q R A_{mn}=QR A n = X J X 1 A_n=XJ X^{-1} A n = Q R Q T A_n=QR Q^T ,是为了各个分量尽可能解耦和简化方程 A x = b A\mathbf {x}=\mathbf{b} 求解。由于矩阵的性质不同,故有各种分解形式。

  16. 你会证明奇异值分解 A = U Σ V T A=U\Sigma V^T 定理吗?

  17. 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)。

  18. 矩阵特征值数值不稳定,而奇异值稳定,知道原因吗?

  19. 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!

发布了14 篇原创文章 · 获赞 6 · 访问量 637

猜你喜欢

转载自blog.csdn.net/jhshanvip/article/details/104972216