专为程序员设计的线性代数课程

【课程目录】

• 第1章 欢迎大家来到《专给程序员设计的线性代数》欢迎大家来到《专给程序员设计的线性代数》，在这个课程中，我们将使用编程的方式，学习线性代数，这个近现代数学发展中最为重要的分支。学懂线性代数，是同学们深入学习人工智能，机器学习，深度学习，图形学，图像学，密码学，等等诸多领域的基础。从这个课程开始，让我们真正学懂线性代数！…共 4 节 (61分钟) 收起列表
  • 1-1 《专为程序员设计的线性代数课程》导学 (14:51)
  • 1-2 课程学习的更多补充说明 (17:55)
  • 1-3 线性代数与机器学习 (13:21)
  • 1-4 课程使用环境搭建 (14:14)
• 第2章 一切从向量开始 试看向量，是线性代数研究的基本元素。在这一章，我们将引入向量。什么是向量？我们为什么要引入向量？进而，我们将使用不同的视角看待向量，定义向量的基本运算，体会数学研究过程中，从底层开始，一点一点向上搭建数学大厦的过程：）…共 9 节 (98分钟) 收起列表
  • 2-1 什么是向量. (16:11)试看
  • 2-2 向量的更多术语和表示法 (08:15)试看
  • 2-3 实现属于我们自己的向量 (12:41)试看
  • 2-4 向量的两个基本运算. (09:38)
  • 2-5 实现向量的基本运算. (16:05)
  • 2-6 向量基本运算的性质与数学大厦的建立. (10:47)
  • 2-7 零向量. (16:24)
  • 2-8 实现零向量 (03:30)
  • 2-9 一切从向量开始 (04:21)
• 第3章 向量的高级话题在这一章，我们将重点介绍向量的两个高级运算：规范化和点乘。对于点乘运算，我们将深入理解其背后的几何含义，并且结合诸多应用，理解点乘这个看起来奇怪的运算，背后的意义，以及在诸多领域的应用：）共 7 节 (96分钟) 收起列表
  • 3-1 规范化和单位向量. (12:47)
  • 3-2 实现向量规范化 (15:54)
  • 3-3 向量的点乘与几何意义. (14:00)
  • 3-4 向量点乘的直观理解 (09:00)
  • 3-5 实现向量的点乘操作 (05:04)
  • 3-6 向量点乘的应用. (17:36)
  • 3-7 Numpy 中向量的基本使用 (21:17)
• 第4章 矩阵不只是 m*n 个数字向量是对数的拓展，矩阵则是对向量的拓展。虽说线性代数研究的基本元素是向量，但其实大家更常看见矩阵！在这一章，我们将深入矩阵，不仅学习什么是矩阵，矩阵的运算等基础内容，更将从用更深刻的视角看待矩阵：矩阵也可以看做是对一个系统的描绘；以及，矩阵也可以被看做是向量的函数！…共 11 节 (157分钟) 收起列表
  • 4-1 什么是矩阵 (09:53)
  • 4-2 实现属于我们自己的矩阵类 (16:15)
  • 4-3 矩阵的基本运算和基本性质 (11:54)
  • 4-4 实现矩阵的基本运算 (13:53)
  • 4-5 把矩阵看作是对系统的描述 (21:54)
  • 4-6 矩阵和向量的乘法与把矩阵看作向量的函数 (16:01)
  • 4-7 矩阵和矩阵的乘法 (20:12)
  • 4-8 实现矩阵的乘法 (11:30)
  • 4-9 矩阵乘法的性质和矩阵的幂 (09:55)
  • 4-10 矩阵的转置 (10:28)
  • 4-11 实现矩阵的转置和Numpy中的矩阵 (14:24)
• 第5章 矩阵的应用和更多矩阵相关的高级话题在我们学习了矩阵之后，就已经可以将线性代数的知识应用在诸多领域了！在这一章，我们将把线性代数具体应用在图形学中！同时，我们将继续学习和矩阵相关的诸多概念，如单位矩阵和矩阵的逆。最重要的是：我们将揭示看待矩阵的一个重要视角：把矩阵看作是空间！ …共 9 节 (124分钟) 收起列表
  • 5-1 更多变换矩阵 (14:24)
  • 5-2 矩阵旋转变换和矩阵在图形学中的应用 (14:45)
  • 5-3 实现矩阵变换在图形学中的应用 (17:16)
  • 5-4 从缩放变换到单位矩阵 (10:47)
  • 5-5 矩阵的逆 (12:26)
  • 5-6 实现单位矩阵和numpy中矩阵的逆 (09:07)
  • 5-7 矩阵的逆的性质 (13:55)
  • 5-8 看待矩阵的关键视角：用矩阵表示空间 (22:24)
  • 5-9 总结：看待矩阵的四个重要视角 (08:42)
• 第6章 线性系统线性系统听起来很高大上，但是它的本质就是线性方程组！这个看似简单的形式，其实也隐藏着不小的学问，同时在各个领域都被大量使用。在这一章，我们将看到当引入矩阵，向量这些概念以后，求解线性方程组是多么的容易。…共 9 节 (167分钟) 收起列表
  • 6-1 线性系统与消元法 (13:55)
  • 6-2 高斯消元法 (22:02)
  • 6-3 高斯-约旦消元法 (13:54)
  • 6-4 实现高斯-约旦消元法 (25:09)
  • 6-5 行最简形式和线性方程组解的结构 (23:09)
  • 6-6 直观理解线性方程组解的结构 (22:41)
  • 6-7 更一般化的高斯-约旦消元法 (17:03)
  • 6-8 实现更一般化的高斯-约旦消元法 (18:34)
  • 6-9 齐次线性方程组 (09:40)
• 第7章 初等矩阵和矩阵的可逆性在上一章，我们详细的学习了线性系统的求解。在这一章，我们就将看到线性系统的一个重要的应用——求解矩阵的逆。千万不要小瞧矩阵的逆，一个矩阵是否可逆，和诸多线性代数领域的高级概念相关。在这一章，我们也将一窥一二。同时，我们还会学习初等矩阵的概念，同时，涉足我们在这个课程中将向大家介绍的第一个矩阵分解算法…共 9 节 (178分钟) 收起列表
  • 7-1 线性系统与矩阵的逆 (22:32)
  • 7-2 实现求解矩阵的逆 (10:24)
  • 7-3 初等矩阵 (20:45)
  • 7-4 从初等矩阵到矩阵的逆 (15:22)
  • 7-5 为什么矩阵的逆这么重要 (25:58)
  • 7-6 矩阵的LU分解 (25:58)
  • 7-7 实现矩阵的LU分解 (13:37)
  • 7-8 非方阵的LU分解，矩阵的LDU分解和PLU分解 (16:50)
  • 7-9 矩阵的PLUP分解和再看矩阵的乘法 (26:17)
• 第8章 线性相关，线性无关与生成空间空间，或许是线性代数世界里最重要的概念了。在这一章，我们将带领大家逐渐理解，听起来高大上又抽象的空间，到底是什么意思？我们为什么要研究空间？空间又和我们之前探讨的向量，矩阵，线性系统，等等等等，有什么关系。 …共 8 节 (145分钟) 收起列表
  • 8-1 线性组合 (14:19)
  • 8-2 线性相关和线性无关 (22:14)
  • 8-3 矩阵的逆和线性相关，线性无关 (16:03)
  • 8-4 直观理解线性相关和线性无关 (21:31)
  • 8-5 生成空间 (16:03)
  • 8-6 空间的基 (22:40)
  • 8-7 空间的基的更多性质 (17:40)
  • 8-8 本章小结：形成自己的知识图谱 (14:04)
• 第9章 向量空间，维度，和四大子空间在之前的线性代数的学习中，我们一直在使用诸如2维空间，3维空间，n维空间这样的说法，但到底什么是空间，什么是维度，我们却没有给出严格的定义。在这一章，我们就将严谨的来探讨，到底什么是空间，什么是维度，进而，引申出更多线性代数领域的核心概念。 …共 12 节 (230分钟) 收起列表
  • 9-1 空间，向量空间和欧几里得空间 (18:26)
  • 9-2 广义向量空间 (18:28)
  • 9-3 子空间 (23:06)
  • 9-4 直观理解欧几里得空间的子空间 (16:50)
  • 9-5 维度 (21:48)
  • 9-6 行空间和矩阵的行秩 (20:48)
  • 9-7 列空间 (14:19)
  • 9-8 矩阵的秩和矩阵的逆 (17:25)
  • 9-9 实现矩阵的秩 (18:57)
  • 9-10 零空间与看待零空间的三个视角 (21:50)
  • 9-11 零空间 与 秩-零化度定理 (20:52)
  • 9-12 左零空间，四大子空间和研究子空间的原因 (17:01)
• 第10章 正交性，标准正交矩阵和投影相信，上一章对空间的探讨，已经颠覆了大家对空间的理解：）但是，通常情况下，我们依然只对可以被正交向量定义的空间感兴趣。在这一章，我们将看到正交的诸多优美性质，如何求出空间的正交基，以及听起来高大上的，矩阵的QR分解。…共 8 节 (107分钟) 收起列表
  • 10-1 正交基与标准正交基 (16:48)
  • 10-2 一维投影 (12:05)
  • 10-3 高维投影和Gram-Schmidt过程 (16:02)
  • 10-4 实现Gram-Schmidt过程 (15:59)
  • 10-5 标准正交基的性质 (10:39)
  • 10-6 矩阵的QR分解 (18:02)
  • 10-7 实现矩阵的QR分解 (08:20)
  • 10-8 本章小结和更多和投影相关的话题 (08:09)
• 第11章 坐标转换和线性变换在之前的学习，我们深入了解了空间，我们知道了一个空间可以对应无数组基。在这一章，我们就将探讨这些基之间的关系——即坐标转换。与此同时，我们将看到线性代数领域，对线性变换的严谨数学定义。共 5 节 (75分钟) 收起列表
  • 11-1 空间的基和坐标系 (14:28)
  • 11-2 其他坐标系与标准坐标系的转换 (10:07)
  • 11-3 任意坐标系转换 (17:19)
  • 11-4 线性变换 (19:52)
  • 11-5 更多和坐标转换和线性变换相关的话题 (12:25)
• 第12章 行列式行列式是在线性代数的世界里，被定义的另一类基本元素。在这一章，我们将学习什么是行列式，以及行列式的基本运算规则，为后续两章学习更加重要的线性代数内容，打下坚实的基础！共 7 节 (119分钟) 收起列表
  • 12-1 什么是行列式 (22:51)
  • 12-2 行列式的四大基本性质 (12:55)
  • 12-3 行列式与矩阵的逆 (16:35)
  • 12-4 计算行列式的算法 (17:21)
  • 12-5 初等矩阵与行列式 (17:29)
  • 12-6 行式就是列式！ (12:42)
  • 12-7 华而不实的行列式的代数表达 (18:20)
• 第13章 特征值与特征向量特征值和特征向量，或许是线性代数的世界中，最为著名的内容了。到底什么是特征值？什么是特征向量？我们为什么要研究特征值和特征向量？在这一章都将一一揭晓。共 10 节 (165分钟) 收起列表
  • 13-1 什么是特征值和特征向量 (19:38)
  • 13-2 特征值和特征向量的相关概念 (14:09)
  • 13-3 特征值与特征向量的性质 (15:59)
  • 13-4 直观理解特征值与特征向量 (20:20)
  • 13-5 “不简单”的特征值 (16:09)
  • 13-6 实践numpy中求解特征值和特征向量 (13:55)
  • 13-7 矩阵相似和背后的重要含义 (19:58)
  • 13-8 矩阵对角化 (15:35)
  • 13-9 实现属于自己的矩阵对角化 (14:48)
  • 13-10 矩阵对角化的应用：求解矩阵的幂和动态系统 (13:53)
• 第14章 对称矩阵与矩阵的SVD分解在学习了特征值与特征向量以后，我们将在这一章，看线性代数领域中一类特殊的矩阵——对称矩阵，进而，我们将来深入分析学习或许是线性代数的世界中，最为重要一个矩阵分解方式——SVD。共 7 节 (103分钟) 收起列表
  • 14-1 完美的对称矩阵 (11:06)
  • 14-2 正交对角化 (17:17)
  • 14-3 什么是奇异值 (13:32)
  • 14-4 奇异值的几何意义 (14:35)
  • 14-5 奇异值的SVD分解 (20:00)
  • 14-6 实践scipy中的SVD分解 (09:31)
  • 14-7 SVD分解的应用 (16:51)
• 第15章 更广阔的线性代数世界，大家加油！恭喜大家完成了这门课程的学习。在学习完这门课程之后，如果想深入线性代数的世界，还可以向哪些方向探索？这一小节就将向大家介绍更广阔的线性代数世界！祝大家收获多多，进步多多，实现心中的梦想。大家加油！共 1 节 (12分钟) 收起列表
  • 15-1 更广阔的线性代数世界，大家加油！ (11:38)