线性代数通俗理解
本篇笔记内容主要来源于45分钟线性代数通俗讲解_哔哩哔哩_bilibili，非常感谢up主的分享，这里我加入了部分自己的理解，与自己所学的知识结合完成。
基础概念
数据的维度：即数据含有参数的个数，描述一个对象所需要的参数个数，这样一组数据构成一个多维数据，如一个空间坐标（1,2），一个空间向量[1,2,3]。
对线性的理解：线性即均匀分布，对加法有意义，如数轴上的数。线性函数的特点输入值均匀排列，输出值均匀排列，在线性代数里，线性函数是一个线性映射，输入与输出在相同域的向量空间上维持向量加法与标量乘法。线性代数中，线性变换处理的输入输出数据维度是任意的（与初级代数最明显的区别）。
在线代的观点里，空间中的每一个值都是通过单位向量（基向量）拉伸来的，一维空间只有一个单位向量。线性函数的职责只是告诉我们输出空间的基向量是什么，在线性变化中从输入向量到输出向量，其与基向量之间的关系不会发生变化，只是基向量发生了变化。
例如：在二维坐标空间里，基向量为i=[1,0]和j=[0,1]，设输入向量为a=[1,2]，实际是a=1*i+2*j得到的，经过y=2x变换后，输出向量为b=[2,4]，但实际上是基向量变为了i=[2,0]和j=[0,2]，而b与基向量的关系没有发生变化，实际上还是b=1*i+2*j=a，只是基向量发生了变化。
接下来我们看三种拉伸变换：
| 一 | 拉伸标准基向量 | 得到一个特定的向量 | 确定向量与基的关系 |
|---|---|---|---|
| 二 | 拉伸整个输入空间 | 得到特定的输出空间 | 即线性函数，表明基向量的变换，让向量与基向量之间的关系保持不变 |
| 三 | 拉伸某个向量 | 得到这个向量的线性组合 | 对单个向量进行线性组合得到的所有向量叫做这个向量的张成空间 |
这里对0向量的各种拉伸得到的还是零，所以0向量的张成空间还是0。
线性组合以及张成空间在多维空间经常使用。
四种描述线性函数的方式：
-
若输入值均匀排列，输出值也均匀排列
-
在坐标空间按刻度画的网格在变换前后保持平行且等距分布
-
满足向量加法
-
所有向量在变换前后基向量的关系保持不变
线性变换的过程的理解
下面是二维空间中线性变换的过程：
在一维空间中，线性变换表达式为y=kx+b
可以看出二维空间中情况类似，在二维空间中，线性变换的表达式自变量变为了二维数据，自变量前面的矩阵表示两个基向量的变化情况。
在任意维空间中：
n个线性无关的n维向量线性组合可以张成n维空间
如果一个n维空间通过线性变换之后仍是n维空间，则这个线性变换为满秩变换。
函数与变换：
函数（function）分为变换（transformation）和映射（mapping）两种形式，但是在线性代数中映射关系并不明显。
线性函数也可以实现不同维度的空间的映射，如下：
复合函数
多个线性变换可以通过矩阵相乘得到最终的变换结果，矩阵相乘原理上与复合函数算法类似，不能交换运算顺序，同时遵循左行右列定理。
行列式与特征值
行列式可以理解为线性变换前后，单位面积、体积的比值。
当行列式的值为零时，说明变换后的空间体积为0，此时必有向量线性相关，高维空间压缩到低维空间。
在线性变换中，大多数向量的都会发生旋转，找到变换中未发生旋转变换的向量即为该线性变换的特征向量，对特征向量的拉伸值即为线性变化的特征值。公式如下：
A v=λ v
该公式中A表示线性变换矩阵，v为所求的特征向量，λ表示常数，这里表示线性变换的特征值，λ v为数乘变换或者伸缩变换。
通常对该公式进行下列变换进行运算。
A v - (λ E) v = 0
(A - λE) v = 0 将向量v变为0向量，只能通过线性变换（A - λE）将向量v挤压为低维空间
即 det（A - λE）= 0 这里使用到了行列式性质
两个向量的投影
向量[d e f]向[a b c]进行投影
结语
（摘录了一些有感触的话）
现实生活中，还有很多人类能感知的信息属于非线性关系，如人对声音的感觉，人对亮度的感觉等，但是我们都可以通过一定处理方法将非线性信息转换为线性信息，把从乘法转化为对加法有意义，从而变为我们所理解的形式，换句话说，所有人能理解的信息都能写成线性的形式。文章来源：https://www.toymoban.com/news/detail-458267.html
所有我们学过的数理知识，都是一套基于公理（人所认为正确的道理）推导出来的计算工具，虽然它们并不是世界的全部，但是这些计算工具，既可以帮我们解决现实中的问题，又能帮我们探索未知。文章来源地址https://www.toymoban.com/news/detail-458267.html
到了这里，关于线代学习笔记（一）——线性代数的通俗理解的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
