MIT 线性代数 1-3讲 笔记：方程组的几何解释，矩阵消元，矩阵乘法，逆矩阵
第一讲 方程组的集合解释
从行图像，列图像解线性方程组。
二维：
eg:
行图像：
列图像：
所谓行图像，就是在系数矩阵上，一次取一行构成方程，在坐标系上作图。最终解就是两条直线的交点。
列图像可看做求解两个二维向量（2，-1），（-1 , 2）的某种线性组合，使得结果为（0,3）。
任意取x,y可以得到得到任意方向的二维向量，覆盖整个二维平面。
三维：
eg:
行图像：
列图像：
三维的行图像即求三个平面的交点，实际上到了三维就已经很难看出，若到了更高维，行图像显然是不合理的。
而列图像仍是对向量的线性组合，这里变成三个三维向量（2，-1,0），（-1， 2 ，3）， （0，-1, 4）的线性组合。列图像的思路显然更加清晰，即寻找线性组合。这里很容易看出x=0,y=0,z=1.
这里讨论了一个问题：对于AX=b,任意b都有解吗？也就是说3*3矩阵A中的列向量是否可以覆盖整个三维空间。
列向量线性不相关则是可以覆盖的，也就是对任意b都能求出解。
第二讲 矩阵消元
这篇文章写得很清楚了，这一节讲了通过消元方法求解复杂方程组（最终消元成上三角形式）
第三讲 矩阵乘法和逆矩阵
这一讲介绍了四种矩阵乘法：行乘列即常规方法，行方法，列方法，列乘行。
详细的阐述：
A * B = C
常规方法：就是大学里学的那种
行方法：看做B中行的线性组合
列方法：看做A中列的线性组合（大学里学过的：左乘行变换，右乘列变换）
列乘行方法：
分块乘法：
逆矩阵&非奇异矩阵：
或
判断是否可逆：
不可逆的解释：A的n维向量不能覆盖整个n维空间；所有线性组合均线在一条直线上。
求可逆矩阵的逆矩阵：
Gause-Jordan （solve 2 aquations at once）
这种方法跟我们大学里学的差不多，不过看完这节课对它有了更深层次点的认识，以前只知道怎么算知其然不知其所以然，
这里面的E可以看做是多个矩阵消元操作的结合，A经过E变换为单位矩阵，
,可知E就是
,所以
，就求得了矩阵A的逆。
参考链接：
ps：这个公众号有几篇对线性代数的精细讲解，可惜后面没更新了，本片笔记有些图片来自这篇文章
扫一扫
636
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
