微积分与线性代数小结
1 微积分专题
案列:速度问题?
等价于求函数图形下的面积------》如何求各种函数图形下的面积?
dx: 先理解成有限小的微小值,然后再看成越来越小趋近零下的极限值。
df:就是在dx下的变化值;f(x)-f(x+dx);
df/dx: 即求dx趋近零下的极限值。只要有dx的地方在极限条件下忽略不计。
1.1 线性组合和复合函数的求导
加法和乘法求导法则:
复合函数链式法则:
1.2 基本函数
1.2 隐函数求导
隐函数求导是很奇怪,但一旦你把等式两边分别看做两个二元函数f(x,y),一切就都变得合理多了。
法一:直接按照方程两边各自求导;
法二:多云函数求解
1.3 极限
由极限来定义的导数;----泰勒展开式;
极限:一个变量
极限求解的几种类型:0/0型等。
导数和原函数
微积分定理:
1.4 高阶多项式导数–泰勒定理
加速度例子来理解二阶导数;
高阶导数用来帮助我们得到函数的近似。
泰勒级数是极其强大的函数近似工具。是在某函数上某个点附近用多相似函数去近似其他函数。
级数:意思是无穷多个多项式,但是级数可以收敛,还有时发散的。
泰勒级数:利用函数某单个点的导数,来近似这个点附近函数的值。
2 线代
学习线代若是没有几何上的直观理解作为基础,可能不知道解决什么问题。
线代中计算和可视化上直观理解有相当直接的联系。形成正确的几何直观理解。
2.1 线性代数最基础的组成–向量
向量的三种不同视角:
物理:矢量,空间中的有向线段;决定向量是它的长度和它所指的方向。可以移动。
计算机专业:数组,有序的数字列表。
数学:向量加法和向量数乘, 内积。和点区分,向量竖着写。
向量坐标:基向量:i,j;
线性相关与线性无关基向量;
2.2 矩阵与线性变换
线性变换:运动的观点;线性变换是操纵空间变换的方式;
线性变换是最基础的空间变换:1. 经过变换之后还是直线 2. 原点位置不变。
矩阵时表达对 向量怎样变换的 工具。 将举证看做看见的变换。
2.2 矩阵乘法与线性复合
线性变换对空间的变换完全可由空间的基向量作用决定。因为该空间任意向量都能表示为基向量的线性组合。
线性变换空间后:网格线保持平行且等距分布。----》
矩阵:将变换后的i基向量 和 j 基向量作为一个矩阵的列。
矩阵向量乘积:将两列分别于x和y相乘后相加的结果;
复合变换:连续两次变换;
矩阵乘法:两个线性变换相继作用;不满足交换律;
2.3 行列式
计算行列式:告诉的是一个变换对面积的缩放比列。
det(M1M2)=det(M1)det(M2)
通过线性变换来理解 逆矩阵、列空间、秩和零空间的概念。
让计算机去做计算工作。
线性方程组:
恒等变换:A的逆;
如何矩阵的逆;
秩: 代表变换后空间的维数。 例如对于2X2的矩阵,它的秩最大为2 ,且意味着仍是二维空间,矩阵的行列式不为零。
满秩变换VS非满秩变换
非方阵的意义;
2.4 点积与对偶性、叉积
1投影的观点==坐标对应相乘
通过线性变换来理解。
维数相同的向量来做点积;
叉积:对应于向量组成的面积。
2.5 基变换的概念及其矩阵表示
不同基向量来表述的向量。即如何在不同坐标系之间来进行转化?–矩阵乘法
将矩阵看做空间的线性变换。
2.6 特征向量和特征值
矩阵变换在空间变换后,某方向上的向量仍然是这一个方向上的向量,只是伸缩而已。
该矩阵自己本身对应的向量称为:特征向量,每个特征向量都有一个自己的特征值。来衡量矩阵变换
将矩阵的列看做变换后的基向量。
该矩阵对应的特征向量和特征值。
求出特征值。将该值代入对角线矩阵当中,然后求解出在这个对角线变换的矩阵变换后成为零的向量。
特征基: 即对角矩阵中每一列都是特征基向量,而对角元是所属的特征值。
如何计算矩阵的100次幂的矩阵乘法:找到能张成全空间的特征向量,然后坐标系之间的转换。一定是一个对角矩阵。
2.7 抽象向量
函数看成向量;线性算子看成矩阵运算操作;
抽象性带来的好处:能够得到一般性的结论。分类会更具体,得到更多有用信息。
向量的形式可以有很多体现,抽象成向量空间来具有一般性,只是数学家的术语而提高权威性已;但是学习的时候,要具体化,要直观形象化。要首先从一个具体形象地例子出发学习,当学到更多知识之后,再去概念一般化。—>>普适的代价是抽象–晦涩难懂。 只有具备了正确的直观可视化理解,才会在以后的学习中加高效。
2.8 计算法则背后的几何原理
代数计算方法:高斯消元法
几何克莱姆法则;
来源:
3blue1Brown: https://space.bilibili.com/88461692/channel/detail?cid=13407