3Blue1Brown【线性代数的本质】简略笔记

1. 关于向量，可以看作在坐标系中移动的距离，由此理解向量的加法。

2. v与w全部线性组合构成的向量集合称为“张成的空间”，av+bw，即仅通过向量加法和数乘两种运算能获得的所有可能向量集合。

大部分向量张成的空间是所有二维向量的集合；

共线时张成的空间是终点落在一条直线上的向量集合；

两个向量都是零向量时，原点。

3. 一组向量中至少有一个是多余的，没有对张成空间做出贡献，称它们线性相关，即这个向量落在其他向量张成的空间中，可以被表示成其他向量的线性组合。

所有向量都给张成空间增添了新的维度，称为线性无关。

向量空间的一组基是张成该空间的一个线性无关向量。

4. 线性变换：保持网格线平行且等距分布，并保持原点不动。

5. 行列式表示一个变换的缩放比例，二维面积，三维体积，行列式为0表示变换到更低维的空间。

将矩阵看作线性变换，那么矩阵的逆就是还原之前的变换，因此矩阵和矩阵的逆相乘结果为单位矩阵E,即没有变换前的一组基向量。

6. 矩阵的列（基向量变换后的位置）所张成的空间称为A的列空间，即所有可能的输出向量Av(所有可能的变换结果)构成的集合。

秩即列空间的维数，变换后空间的维数。

秩与列数相等时，满秩。（所有列向量都对张成空间做出贡献）

7. 零向量一定在列空间中。

对满秩变换来说，唯一能落在原点的是零向量本身；二维变换将空间压缩到一条直线上，那么沿某个不同方向直线上直线上的所有点就被压缩到原点。

变换后落在原点的向量的集合，称为矩阵的零空间null space或核kernel。

Ax=[0 0]转置(齐次线性方程组)，零空间给出的就是齐次线性方程组所有可能的解。

8. 3x2矩阵变换，将二维空间映射到三维空间上;

    2x3矩阵变换，将三维空间映射到二维空间;

    1x2矩阵变换，将二维平面映射到一维数轴。

9. 1x2矩阵与二维向量相乘的计算过程和点积的计算过程相同，而1x2矩阵，即二维空间到数轴的线性变换，通过将空间投影到给定数轴上完成，可据此理解点积可表示为投影。

点积为投影，标量；叉积为矢量积。

10. 基向量

用a语言描述的线性变换矩阵：a的基向量描述的向量，先左乘基变化矩阵(我们的语言描述的a的基向量)，转换成我们语言描述的向量，然后左乘线性变换矩阵(我们语言)，得到变换后向量(我们语言)，最后左乘基变换矩阵的逆，得到变换后向量(a语言)

暗示数学上的转移作用，中间矩阵代表你所见的变换，外侧两个矩阵代表转移作用视角上的转化。

11.特征值和特征向量

Av=λv（特征向量v经过矩阵A的变换后，仅在它所张成的直线上伸缩特征值λ倍）

(A-λE)v=0，要求非零特征向量，需令|A-λE|=0，只有行列式为0，变换到低维度，才会有非零向量经过变换后压缩到原点。

矩阵变换后，大部分向量都离开了它所张成的直线，而有的向量仍留在它所张成的直线上，矩阵对它的作用仅仅是拉伸或压缩，这种向量为特征向量，衡量特征向量在变换中拉伸或压缩比例的因子为特征值。

用特征向量作为基，特征基。对角化。

计算矩阵的幂，先变换到特征基，计算后再转换到标准坐标系。