教程演示🔗
你将会学到的
-
对一个矩阵的运算,包括求解线性系统和高斯-约旦消元法
-
两个矩阵的运算,包括矩阵乘法和消元矩阵
-
矩阵作为向量,包括线性组合和跨度、线性独立性和子空间
-
点积和叉积,包括 Cauchy-Schwarz 和向量三角不等式
-
矩阵向量乘积,包括零空间和列空间,并求解 Ax=b
-
变换,包括线性变换、投影和变换的组合
-
逆矩阵,包括可逆矩阵和奇异矩阵,以及求解具有逆矩阵的系统
-
行列式,包括上三角矩阵和下三角矩阵,以及 Cramer 规则
-
转置,包括它们的行列式,以及转置的空(left null)和列(行)空间
-
正交性和基变,包括正交补集、子空间投影、最小二乘和基变
-
正交基和 Gram-Schmidt,包括正交基的定义,以及使用 Gram-Schmidt 过程转换为正交基
-
特征值和特征向量,包括寻找特征值及其关联的特征向量和特征空间,以及三维特征
要求
-
您应该熟悉数学基础知识,例如正负数、分数和小数的算术(加法、减法、乘法、除法)。
-
您应该熟悉代数,例如方程求解、绘图和因式分解,以及指数和根。
-
您只需要基础知识和代数就可以解决线性代数问题,因此如果您有这些基础知识,就可以为本课程做好充分准备。
说明
如何成为线性代数大师,让复杂的数学变得简单:
这门 247 课的课程包括对线性代数所有内容的视频和文本解释,它包括 69 个测验(带解决方案!)和另外 12 个带有额外练习题的工作簿,以帮助您测试您的理解能力。成为线性代数大师分为以下几个部分:
- 对一个矩阵的运算,包括求解线性系统和高斯-约旦消元法
- 两个矩阵的运算,包括矩阵乘法和消元矩阵
- 矩阵作为向量,包括线性组合和跨度、线性独立性和子空间
- 点积和叉积,包括 Cauchy-Schwarz 和向量三角不等式
- 矩阵向量乘积,包括零空间和列空间,并求解 Ax=b
- 变换,包括线性变换、投影和变换的组合
- 逆矩阵,包括可逆矩阵和奇异矩阵,以及求解具有逆矩阵的系统
- 行列式,包括上三角矩阵和下三角矩阵,以及 Cramer 规则
- 转置,包括它们的行列式,以及转置的空(left null)和列(行)空间
- 正交性和基变,包括正交补集、子空间投影、最小二乘和基变
- 正交基和 Gram-Schmidt,包括正交基的定义,以及使用 Gram-Schmidt 过程转换为正交基
- 特征值和特征向量,包括寻找特征值及其关联的特征向量和特征空间,以及三维特征
以下是每个部分的内容:
视频:当我为您在课堂上遇到的每一个数学问题解决问题时,请注意我的肩膀。我们从头开始……我解释了问题设置以及我为什么这样设置它,我采取的步骤以及我为什么采取这些步骤,如何解决令人讨厌的,模糊的中间部分,以及如何简化答案时你懂了。
笔记:每节课的笔记部分是您找到要记住的最重要内容的地方。这就像书籍的 Cliff Notes,但对于数学。通过课程需要知道的一切,没有什么是你不知道的。
测验:当您认为自己对课程中的某个主题有很好的掌握时,您可以通过参加其中一个测验来测试您的知识。如果你通过了,太好了!如果没有,您可以再次查看视频和笔记或在问答部分寻求帮助。
练习册:想要更多的练习吗?完成该部分后,您可以通过完成奖励工作簿来复习您学到的所有内容。这些练习册包括大量额外的练习题,因此它们是巩固您刚刚在该部分中学到的知识的好方法。
以下是一些成为线性代数大师的学生告诉我的:
- “另一个很棒的课程。提供线性代数的学术基础,为应用或基于编程的课程做准备。” – 克里斯托弗 C.
- “我无法用语言来感谢 Krista 开设的这门很棒的课程,我真的不知所措,因为我不得不参加一个我无法参加的课程的考试,而且我对线性代数一无所知,令人惊讶的是,这门课程正是我所需要的,在看视频之前阅读笔记有助于我自己理解,当我迷路时,视频内容是一个很好的资源,我在测试中得到了 9 分(满分 10 分),所以我强烈推荐参加这门课程,Krista 是这样的好老师。” – 艾伦·M。
- “我在大学时主修数学,后来放弃了线性代数专业。我希望我在大学里有这门课和这位老师。我可能会坚持我的专业。” – 埃里克·L。
- “注释很棒,解释清晰,从头开始。到目前为止太棒了。” – 菲尔 T。
- “非常清楚,没有跳过任何步骤。如果剩下的课程都是这样,我会毫无问题地通过我的课程。” – 布兰登 P。
- “结构很好,解释也很好,还有很多练习可以巩固知识。” – 阿什法克 C.
您还将获得:
- 终身获得成为线性代数大师的机会
- 问答区友情支持
- Udemy 结业证书可供下载
- 30天退款保证
今天报名!
我迫不及待地想让你开始掌握线性代数。
– 克里斯塔 :)
此课程面向哪些人:
- 当前的线性代数学生,或即将开始学习线性代数并希望取得成功的学生
- 离开学校一段时间后想学习数学的人
- 任何需要线性代数作为机器学习、深度学习、人工智能、计算机编程、计算机图形和动画、数据分析等先决条件的人。
Pictures; 图片
声明:本站所有文章,如无特殊说明或标注,均为本站发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。