课程来自b站发现的《线性代数的本质》，可以帮助从直觉层面理解线性代数的一些基础概念，以及把一些看似不同的数学概念解释之后，发现其实有内在的关联。
这里只对部分内容做一个记录，完整内容请自行观看视频~

01-向量究竟是什么

数字在线性代数中起到的主要作用就是缩放向量
线性代数仅围绕向量的加法和数乘

线性代数可以：

• 实现对空间的操纵
• 解线性方程组

02-线性组合，张成的空间与基

• 每当用数字描述向量时，它都依赖于我们正在使用的基。

• 所有可以表示为给定向量线性组合的向量的集合，被称作给定向量张成的空间(span) （下图中a，b在实数范围内变化）
  - 多个向量的线性组合：可以理解为对多个向量进行缩放，最后相加

• 线性相关：
  
  有多个向量的时候，可以移除其中一个而不减小张成的空间

• 线性无关：当所有向量都给张成的空间增添了新的维度
  
  

由此，其实可以想明白下面这句话为什么要这么定义：
向量空间的一组基是张成该空间的一个线性无关向量集

03-矩阵与线性变换

• “变换”其实与“函数”是类似的

• 线性变换需要遵守的性质：

1. 直线在变换后仍然保持为直线，不能有所弯曲
2. 原点必须保持固定

举例：对于白->蓝线，还都是直线，原点也没有变，但就不是线性变换了，因为对于一个对角线而言，在变换后的空间里它不再是直线了。线性变换可以视作“保持网格线平行且等距分布”的变换

• 如何用数值取描述线性变换？
  实际上相当于只要记录两个基向量$i$和$j$变换后的位置
  
  一个二维变换仅由四个数字就可以完全确定：变换后的$i$和$j$的坐标。比如说下图这个2*2的矩阵，如果用它来描述线性变换，第一列就表示变换后的i，第二列就表示变换后的j向量（基向量）。 或者说，变换矩阵的两列其实就是两个基变换之后的位置
  
  举一个具体的例子：
  
• 矩阵与向量相乘，可以理解为，将线性变换作用于两个新的基向量。如下图，结果就是黄色向量。
  

04-矩阵长发与线性变换复合的联系

• 矩阵乘法与线性变换复合的联系
  
• 两个矩阵相乘的几何意义：对基连续做两次线性变换，注意是从右向左的方向
  
  这里举例，对于M1，可以知道$j^{\hat{}}$移到了[-2,0]的位置，然后再进行M2额计算，可以得到复合矩阵的第二列（j第二次变换后的位置）

05-行列式

先看两个具体的例子：

对于这个矩阵，相当于由原来11的矩形，变成了23=6的矩形，所以可以说这个线性变换将这个面积变为了6倍。

而这种情况下，虽然对空间有挤压，但是面积并未发生变化。

这个线性变换改变面积的比例被称为这个变换的行列式（二维），如果一个二维线性变换的行列式为0，说明这个变换将空间压缩到了更小的维度上（直觉：围成的面积为0，即i与j重合了）。

那当行列式为负数的时候呢？
类似于翻转，改变了空间的定向（对于二维，即i和j左右关系变了），绝对值仍然表示改变的面积比例。

二维行列式中，主对角线和另一条对角线元素的几何含义？
a、d表示平行四边形的底和高，而b、c表示平行四边形在对角方向上拉伸或压缩了多少。

对于三维矩阵，行列式相当于i,j,k基形成的平行六面体的体积的缩放比例。如果此时行列式为0，那么矩阵的列必然线性相关（举例：因为至少有两个基会共线，这样三个基退化成平面/直线/点的情况，围成的体积为0）。关于定向是否改变：如果从右手系变成了左手系，那么定向发生了改变，变换的行列式为负数。

怎么用一句话解释：
det(M1M2) = det(M1)det(M2)

06-逆矩阵、列空间、秩与零空间

相关具体计算方法：高斯消元法、行阶梯型

将解方程组与几何直观联系起来：
A表示一种线性变化，这个等式表示把向量x经过线性变换后，使得它与v重合。
当A的行列式不为0，此时空间并未被挤压为零面积的区域，此时有且仅有一个向量x经变换后与v重合，此时也会存在A的逆，用A逆乘以v向量即可求解，相当于逆向的变换；
当A的行列式为0时，空间就被挤压了，此时就不再有逆变换了，但仍可以有解。比如，假设A把x的空间压缩成了一条直线，如果v恰好在这条直线的方向上，那么此时解存在。

与秩的关系：秩代表变换后空间的维数
当变换的结果为一条直线时，即结果是1维的，我们称这个变换的秩为1；
如果变换后的某个向量落在2维平面上，称这个变换的秩为2.

所有可能的输出向量A*v构成的集合称为A的列空间
矩阵的列表示基向量变换后的位置，这些变换后的基向量张成的空间就是所有可能的变换结果。
列空间就是矩阵的列所张成的空间。更精确的说，秩就是列空间的维数。秩最大的情况就是与列数相等，成为满秩。

零空间：变换后落在原点的向量的集合，被称为矩阵的零空间或者核kernel
零向量一定会被包含在列空间中，因为线性变换必须保持原点不变。如果是一个满秩变换，唯一能在变换后落在原点的就是零向量本身；如果是一个非满秩矩阵，会将空间压缩到一个更低的维度上，即会有很多向量在变换后成为零向量。

对于线性方程组Ax = v， 如果说v是一个零向量，x就相当于零空间，即这个向量方程所有可能的解。

#06-附注 非仿真 不同维度空间之间的线性变换

满秩：列空间维度和输入空间的维度相等

下图中，列空间其实就是三维空间中的一个二维平面，输入空间的维数就是基向量的个数2

另一个例子如下：从三维空间到二维的变换

07-点积与对偶性

这一节解决两个问题：

• 点积为什么和顺序无关
• 为什么点积的运算过程，即对应坐标相乘并将结果相加，和投影有所联系 -> 对偶性（两种事物之间自然而又出乎意料的对应关系）

点积举例
对于两个维数相同的向量，我们可以这样来求得点积结果：

点积的几何解释

这里可以是w的投影长度v的长度，也可以反过来是v的投影长度w的长度，这里其实体现了点积和顺序无关，为什么呢？
首先，如果v和w向量长度相同，可以利用对称性，如下图，其实是一个镜像的关系，所以变换顺序也没有影响

接着，如果将其中一个向量进行缩放，对称性被破坏了，但向量本身缩放的倍数，其实就恰好等于这个向量的投影所缩放的倍数。倍数关系作为一个常数可被提取出去的，所以顺序不会有影响。

对偶性
为什么n维向量的点积和矩阵向量乘法（投影计算）之间是有联系的？

多维空间到一维空间的线性变换。假设有一个二维向量，$v=[43{]}^T$，就需要一个1X2的变换矩阵把它投影到一维上，假设此时这个转换矩阵就是[1, -2], 相当于把i投影到了一维数轴的1上，把j投影到了一维数轴的-2上，那么最终v向量变换后的一维向量就是 -2

对于任一线性变换，输出为1维数轴时，空间中会存在唯一的向量v与之相关。应用变换和与向量v做点积是一样的。
一个向量的对偶是由它定义的线性变换
一个多维空间到一维空间的线性变换 的对偶是 多维空间中的某个特定向量

08-01 叉积的标准介绍

两个向量的叉积表示的是这两个向量围成的平行四边形的面积。如果v在w的右侧，此时面积值为正，而如果v在w的左侧，面积值为负（右手定则大拇指朝内为负/ 以基向量i和j的定向为基础）。也就是说，顺序对叉积会有影响。

如果不想去判断方向，只想进行数值计算，那么也可以用行列式来求值，见05-行列式

以上两种不算是严格的叉积。真正的叉积是通过两个三维向量生成一个新的三维向量。如下所示，垂直于平行四边形的会有两个向量，使用右手定则确定。

08-02 以线性变换的眼光看叉积

为什么两个向量的叉积要写成 i j k的形式呢？
为什么这里面积就是行列式，基向量可以作为矩阵元（第一列的元素是i.j.k）？

对偶性的思想： 对于一个(多维)空间到数轴的线性变换时，都和那个空间中的唯一一个向量对应。即：应用线性变换和与这个向量点乘等价。
数值上说，是因为这类线性变换可以用一个只有一行的矩阵描述（相当于一个1*n维度的变换矩阵），而它的每一列给出了变换后基向量的位置。（例子如下，i变换后到2，j变换后到1）

对于二维空间，如上一节中的有下图中的对偶关系。

对于三维空间， 类似的，我们的计划是：

1. 定义一个从三维空间到数轴的特定线性变换，且这个变换是根据向量v和w来定的。
2. 找到这个变换的对偶向量
3. 发现这个对偶向量就是v叉乘w

上面就是一个函数，这个3*3 矩阵可以理解为，第一列是一个任意可变向量，行列式的值就是由这三列的向量组成的平行六面体的体积。这个函数的重要性质是，它是线性的。由于它是线性的，就可以用矩阵乘法来描述这个函数，由于这个函数是从三维空间到一维空间，所以就会有一个1*3的变换矩阵；然后再利用对偶性，这个 1*3 的变换矩阵就可以立起来变成一个3*1的特定向量，并且可以将整个变换看作与这个特定向量（下图中的p向量）的点积。

• 从数值计算的角度看：p的坐标值就是右侧括号里的三组结果
  

对于下图，把i,j,k放入矩阵第一列进行计算，得到的系数和前面的p的系数是相同的。在矩阵中插入i,j,k是为了提醒应该把这些系数解读为一个向量的坐标。

什么样的向量p，可以满足如下性质，使得它与向量x的点乘可以等于由向量x,v,w组成的平行六面体的有向体积？

• 从几何角度，右边的行列式可以理解为以vw构成的平行四边形为底，向量x在垂直v和w方向上的分量作为高的体积值。而对于左侧，引申一下点乘的投影含义，向量p必然与v和w垂直，并且长度和这两个向量张成的平行四边形的面积相同。

09 基变换

对于空间中的同一个向量，如果选取的基向量不同，那么我们用于表示的数值就会不同。

对于基向量的转换，会有点别扭：蓝色是当前的坐标系下的向量，如果要把这个向量用其他系表示，那么前面的矩阵的是 “从当前基到其他系的基的变换”的逆矩阵。

反之，

如何转化一个矩阵：最右的向量是用Jenifer的语言描述的，将她的向量转换到我们的系下后（基变换矩阵），再旋转90度，再转回Jenifer的系。这样得到的就是她的坐标系下，向左旋转90度后的结果。而不能直接用她的坐标乘以表示90度旋转的矩阵。

引申一下，$A^{-1}MA$这种形式都暗含一种数学上的转移作用，中间矩阵代表所见的变换，外侧表示视角的转换，最后表示的就是从其他视角看到的变换结果。

10 特征向量与特征值

如果对空间中的基向量做线性变换，在这个空间中如果有某个变量只进行了原方向上的缩放，那么这个向量就是特征向量，而这个特定方向上缩放的倍数就是特征值。
下图中，绿色是变换成原来3倍的i向量，大红色是变换后的j向量。绿线和黄线是变换后方向不变的向量，即特征向量，每个特征向量所缩放的倍数就是特征值。

假设有一个特征值为-0.5的特征向量，那么就意味着这个向量被反向且被压缩为原来的一半

变换后：重点在于仍在张成的直线上，没有旋转

对于一个三维空间内的旋转，如果可以找到这个旋转的特征向量，也就是留在它张成的空间里的向量，那么它其实就是旋转轴。把一个三维旋转看成绕某个轴旋转一定角度，比考虑相应的3*3矩阵更加直观。注意：这种情况下，旋转矩阵的特征值要为1，因为不会进行任何缩放。

求解特征值，其实就是去找非零解时，会导致降维的矩阵(A-$\lambda$I)，即det(A-$\lambda$I) = 0.

二维线性变换不一定有特征向量，比如旋转90度，每个向量都旋转了且离开了其张成的空间。

• 举例一，此时求出来特征值没有实数解，就代表没有特征向量。
  

• 举例二，对于剪切变换：只有唯一的特征值，也只有在原来的i方向上的量可以一直不变
  
  不过注意：有可能出现只有一个特征值，但是特征向量不在一条直线上的情况，如下图，把基向量都扩大两倍，特征值是2，但每一个向量都是特征向量。
  

特征基
如果基向量恰好是特征向量，会发生什么？如下图的二维情况，此时的变换矩阵就会是一个对角阵，每一列就是基，对角元素就是对应的特征值。

好处：对于对角矩阵，如果要连续计算n次变换，其实也就是用对角元素的幂运算求解即可，不会很复杂。但是当一个矩阵不是对角时，可以变换成对角矩阵，然后求幂运算后再转化回原来的坐标系，计算上会更方便。
实际练习：

11 - 抽象向量空间

行列式和特征向量与所选坐标系无关

本节讨论函数和向量之间的若干联系。
函数与向量的对应关系：在相乘和相加上是类似的；对一个函数求导数，其实就相当于一种变换，算子和变换类似。

一个函数的线性变换是什么意思？线性要求可加性和成比例性。

为什么求导是线性运算，下图举例，求导运算可以满足可加性和成比例性。

一个线性变换可以通过它对基向量的作用来完全描述，这使得矩阵向量乘法成为可能。下面来用矩阵来描述求导。
对于空间中的无穷多个多项式进行求导，一个多项式其实就是一个线性组合的表示
基向量/基函数：x的不同次幂