线性代数 李永乐强化班

一、理解线代物理意义

数字强调大小,线代强调方向
别的向量是基向量缩放得到的
向量不平行就线性无关吗
无关的向量可以张成一个子空间,即表示某一维度里面的任意一个向量
A特征向量=特征值E*特征向量
标准基向量表示的特征向量换一种基向量任然是 相同的倍数

二、常用结论

AB=0
r(A)+r(B)<=n,B的列向量是方程组Ax=0的解
A为实对称矩阵,则A的伴随也是实对称矩阵

三、线性代数知识点

1、行列式

行列式按行或列展开:由代数余子式Aij与系数aij乘积的累加
代数余子式无系数但有 ( − 1 ) i + j (-1)^{i+j} (1)i+j

row是行,column是列
c1+c2:指将行列式的第二列加到第一列中

范德蒙行列式的计算:交叉相减相乘

2、矩阵

矩阵初等变换:

初等矩阵:由单位阵经过一次(不是一系列)初等变换得到的矩阵
三种:交换,倍乘非零常数,倍加
初等行变换相当于左乘初等矩阵
初等列变换相当于右乘初等矩阵

A通过初等列变换得到B:
1.r(A)=r(B)
2.列变换,Ax=B有解,即r(A)=r(A,B)

分块阵:

AB=C

A、C按列分块:
C列向量由A列向量线性表出
A可以通过一系列初等列变换得到C
Ax=B有解,B的一个列向量bi是方程组Ax=ci的解,r(A)=r(B)=r(A,B)

B、C按行分块:
C行向量由B行向量线性表出
B可以通过初等行变换得到C

可逆矩阵与求矩阵的逆

可逆矩阵就是非奇异矩阵,非奇异矩阵也是可逆矩阵
在这里插入图片描述
在这里插入图片描述

伴随矩阵:

由代数余子式组成
AA*=|A|E

3、向量与相关无关

矩阵A、B等价

即经过初等变换变成对方<=>r(A)=r(B)

向量组A、B等价:

可以线性表示对方
r(A)=r(B)=r(A,B)<=>Ax=B,By=A两个方程组有解

4、方程组与秩的关系

克拉默法则:规定行列式不为0,方程组的解是什么

Ax=b
非齐次方程组系数行列式不为0,方程组有唯一解,r(A)=r(A,b)=n
非齐次方程组系数行列式为0,可能无穷多解,r(A)=r(A,b)<n
——线性无关的解向量个数n-r(A)
非齐次方程组系数行列式为0,可能无解,r(A)<r(A,b)

Ax=0
齐次方程组的系数行列式不为0,只有零解,r(A)=n
齐次方程组系数行列式为0,有非零解,r(A)<n

方程组有无穷多解
解向量:个数=n-r(A)
基础解系:方程的一组解
通解:方程组的所有解(k为任意常数)
在这里插入图片描述

秩的公式:

秩越拼越大,越乘越小
0<=r(a)<=min{m,n}
r(a)+r(b)>=r(a,b)>=max{r(a),r(b)}
r(ab)<=min{r(a),r(b)}
r(A)=n,r(A*)=n
r(A)=n-1,r(A*)=1
r(A)<n-1,r(A*)=0

r(A,AB)=r(A)——AB的列向量可以由A的列向量线性表出,按列拼接
在这里插入图片描述
在这里插入图片描述

5、特征值

求特征值(可以是实数或虚数)

上下三角矩阵、对角矩阵的特征值就是主对角线元素
在这里插入图片描述
在这里插入图片描述

矩阵A、B相似:

P − 1 A P = B P^{-1}AP=B P1AP=B定义

必要条件:
1.A与B相同特征值线性无关的向量个数相同(阶数不超过3也充要

2.特征值相同(无论能否相似对角化),即特征多项式相同
矩阵的迹相同(对角线元素之和)=特征值的和
行列式的值相同=特征值的乘积
r(A)=r(B),原理:乘以可逆矩阵不改变矩阵的秩

3. λ E − A 与 λ E − B 相 似 \lambda E-A与\lambda E-B相似 λEAλEB
r ( λ E − A ) = r ( λ E − B ) r(\lambda E-A)=r(\lambda E-B) r(λEA)=r(λEB)
( λ E − A ) x = 0 与 ( λ E − B ) 解 向 量 个 数 相 同 (\lambda E-A)x=0与(\lambda E-B)解向量个数相同 λEAx=0λEB

4.特殊:对实对称矩阵A、B,一定可以相似对角化(即使有重根)
实对称矩阵A与B相似<=>A、B特征值全部相同

相似对角化的条件:

定理:特征值不同特征相量线性无关
有三个不同的特征值,一定可以相似对角化
有某特征值是重根,它也要有重根个数的线性无关的特征向量

6、二次型

矩阵A、B合同

存 在 C , 使 C T A C = B , B 是 标 准 型 存在C,使C^{T}AC=B,B是标准型 C,使CTAC=BB
一个实对称矩阵的正、负惯性指数与另一个实对称矩阵的正负惯性指数相等

实对称矩阵

实对称矩阵一定可以相似对角化:
特征值不同无重根,特征相量线性无关且相互正交
即使某特征值存在重根,它也一定有重根个数的线性无关的特征向量,但需要通过施密特正交变换得到正交的特征向量

施密特正交化

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

二次型到标准形

二次型::n个变量的二次多项式
标准形:只有平方项
规范形:只有平方项,系数只能是1,0,-1
惯性指数:正、0、负
二次型正定:带入不全为0的一组数,结果一定大于0
正惯性指数是n(负惯性指数为0不代表正惯性指数n,故不可推正定)

二次型到标准形:
完全平方和不一定是标准形,线性变换必须可逆,满秩
先写出二次型对应的对称矩阵
法一:配方法
法二:实对称矩阵正交变换(相似对角化、正交化、单位化)

在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/27965.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

李永乐老师卷积神经网络

https://www.youtube.com/watch?vAFlIM0jSI9I 卷积过程 卷积核表示图像特征&#xff0c;比如一个右下的线条。 卷积核在图像上移动&#xff0c;做运算&#xff0c;就会得图像的特征图&#xff08;粉色的。有右下线条的地方数字会特别大。 卷积核的维度和数目 也有竖着的卷…

李永乐老师讲辛普森悖论

有个小朋友跟我说&#xff1a;他特别喜欢看篮球比赛&#xff0c;最喜欢的球星是湖人队的勒布朗詹姆斯。他曾经把詹姆斯和历史上的著名球员马龙做过比较&#xff0c;结果发现了一个神奇的现象&#xff1a;在整个生涯中&#xff0c;无论是二分球的命中率还是三分球的命中率&#…

李永乐讲卷积神经网络,李永乐老师讲人工智能

清华大学李永乐老师坐拥千万粉丝&#xff0c;他的课堂有什么魅力&#xff1f; 清华大学李永乐老师拥有上千万的粉丝&#xff0c;这个粉丝拥有量自己觉得很正常&#xff0c;因为每年都有上百万的学子关注这个老师&#xff0c;因为到考研的过程中有一个很大的难题就是数学。 无…

2022李永乐线性代数

2022李永乐线代视频教程 链接&#xff1a;https://pan.baidu.com/s/1oxWNn7o72l1SCtW4iszFGg 提取码&#xff1a;4r1e

“全球金融科技大会——中国金融业开源技术应用与发展论坛”在北京举行

3月28日&#xff0c;“全球金融科技大会——中国金融业开源技术应用与发展论坛”在北京新动力金融科技中心举行。 会议现场 人民银行科技司二级巡视员杨富玉&#xff0c;开放原子开源基金会理事长孙文龙&#xff0c;中国金电党委书记、董事长周逢民为大会致辞。北京市西城区区…

李永乐老师讲解MindSpore

参考&#xff1a;https://www.zhihu.com/zvideo/1452361569703718912 1、人工智能框架&#xff1a;不是从零开始编写&#xff0c;有些已经编好了放在那里了&#xff0c;做菜的厨师不会从种子开始做菜&#xff0c;建筑工人也不会从烧砖开始&#xff0c;总有一些工具是编号的&am…

十分钟智商运动 李永乐 第2章 奇妙的物理

第2章 奇妙的物理 世界上第一张X光片是谁拍的&#xff1f; 波有三个参数&#xff1a;波长、频率、波速。v λf&#xff0c;在真空中&#xff0c;电磁波的传播速度和光速一样&#xff0c;λ越大&#xff0c;f就越小&#xff0c;根据产生方式和特点&#xff0c;可以把电磁波分…

C语言复习题

大一老师给了一个C语言的复习题&#xff0c;但是感觉班上可能其他人都没有写&#xff0c;现在重新回过头看一下&#xff0c;如果有错误希望大家能够指出。 转载请注明出处&#xff0c;尊重作者劳动成果。 1、输入10个实数&#xff0c;去掉一个最大数&#xff0c;去掉一个最小数…

【问题记录】html双横杠换行问题,white-space的重要性

废话 前言&#xff1a; 如图&#xff0c;就是这两个小玩意儿。两个 -- 同时出现在 html 就会傻逼地给你进行 智障 智能换行 。前期&#xff0c;以为是浏览器把这个当做 英文单词的换行 来处理了&#xff0c;所以用 css 的 word-break: break-word; 一顿猛操作&#xff0c;发现毫…

聊一聊Flutter自定义组件

自定义组件介绍 何时需要自定义组件 Flutter提供的现有组件无法满足业务需求&#xff0c;或者需要封装一些通用组件&#xff0c;多处复用时 Flutter中自定义组件有三种方式&#xff1a; 通过组合其它组件自绘组件实现RenderObject 自定义组件类型 组合其它Widget 该方式通过…

复旦团队大模型 MOSS 开源了,有哪些技术亮点值得关注?

来源&#xff1a;知乎 孙天祥&#xff08;AWS应用科学家&#xff09;回答&#xff1a; 新上传3个gptq量化版模型权重本回答新增对线区 首先解释一下我们的MOSS版本&#xff0c;目前开源的版本我们称为MOSS 003&#xff0c;二月份公开邀请内测的版本为MOSS 002&#xff0c;一月份…

Google杀入AI聊天机器人领域,暴跌千亿?错哪了?

大家好&#xff0c;ChatGPT 现在被大家玩坏了&#xff0c;甚至在用户的不断逼问之下&#xff0c;露出了鸡脚&#xff0c;原来 ChatGPT 也是小黑子 ChatGPT 太火了&#xff0c;火的谷歌都坐不住了。 为了应对爆火的ChatGPT&#xff0c;谷歌推出的Bard&#xff0c;但是谷歌翻车了…

不满足当 ChatGPT “接口侠”?轻松可视化 Fine-tuning 训练你的模型!

项目地址&#xff1a;https://github.com/ltyzzzxxx/gpt-web-terminal 欢迎大家Star、提出PR&#xff0c;一起快乐地用 GPT Terminal 玩耍吧&#xff5e; 前言 距 ChatGPT 问世已经过去半年多啦&#xff0c;大家一定有些审美疲劳了&#xff0c;不满足于 ChatGPT 提供的对话服…

PyCaret:低代码自动化的机器学习工具

PyCaret简介 随着ChatGPT和AI画图的大火&#xff0c;机器学习作为实现人工智能的底层技术被大众越来越多的认知&#xff0c;基于机器学习的产品也越来越多。传统的机器学习实现方法需要较强的编程能力和数据科学基础&#xff0c;这使得想零基础尝试机器学习变得非常困难。 机器…

Science子刊带来新遗传证据:早期人类驯化了自己

来源&#xff1a;中国生物技术网 在开始驯化狗、猫、绵羊和牛等动物前&#xff0c;人类可能已经有了驯化一种完全不同动物的传统&#xff0c;就是我们人类自己。近日&#xff0c;发表在《Science Advances》上的一项新研究引用从某种程度上反映驯化元素的一种疾病的遗传证据表明…

人类早期驯化VS2019的珍贵记录

代码自动补全 在输入符号的时候VS会自动把代码补全&#xff0c;比如我想写一个函数名mai()&#xff0c;但是在我打出括号“&#xff08; ”的时候&#xff0c;VS自动把代码补成了main( 解决方法&#xff1a; 打开选项窗口&#xff0c;按图找到那个“成员列表提交字符”的栏&am…

Chart GPT 暗黑版上线,网络安全问题已经显现

前言 Chart GPT刚刚发布&#xff0c;一位不知名的作者将它的孪生兄弟“DAN”就在世界上最黑暗的暗网上线了。 这个黑化的GPT刚刚上线的一周后&#xff0c;就已经有组织利用“DAN”犯罪了。 他们利用虚拟电话号码注册各种交友平台的账号&#xff0c;然后再模仿有魅力的男女人…

2023最新网络安全岗位面试题汇总

前言 一、渗透测试 如何绕过CDN找到真实IP&#xff0c;请列举五种方法 (★★★) redis未授权访问如何利用&#xff0c;利用的前提条件是&#xff1f;(★★★) mysql提权方式有哪些?利用条件是什么? (★) windowsmysql&#xff0c;存在sql注入&#xff0c;但是机器无外网权…

Bito AI——智能编程辅助软件,提升10倍开发效率!(New)

目录 前言 [Bito News] Updates更新于2023-06-15 1、Bito融资320万美元&#xff0c;加速下一代版本的研发 2、支持自定义设置输出语言&#xff08;超过17种语言&#xff09; 3、IDE 上下文菜单中自定义模板 4、Bito CLI中引入上下文记忆 5、自定义模板&#xff08;Prompt…

干货渗透测试面试题汇总

干货|渗透测试面试题汇总 以下为信息安全各个方向涉及的面试题&#xff0c;星数越多代表问题出现的几率越大&#xff0c;没有填答案是希望大家如果不懂能自己动手找到答案&#xff0c;祝各位都能找到满意的工作:) 注:做这个List的目标不是全&#xff0c;因为无论如何都不可能…