麻省理工学院—线性代数课（完整版72讲）通俗易懂，堪称线性代数课程天花板！
配套课程课件+习题+作业，以及拓展的人工智能数学资料包可在gong众号【辅论AI】扣 55 自取~
视频选集
（1/68）
自动连播
1.方程组的几何解释
39:32
2.矩阵消元
47:25
3.乘法和逆矩阵
46:25
4.矩阵A的LU分解
47:53
5.5.5.05转置,置换,向量空间(Av1053508170,P5)
47:26
6.6.6.06列空间和零空间(Av1053508170,P6)
45:41
7.7.7.07求解Ax=0：主变量,特解(Av1053508170,P7)
42:59
8.8.8.08可解性和解的结构(Av1053508170,P8)
46:57
9.9.9.09线性相关性,基,维数(Av1053508170,P9)
49:56
10.10.10.10四个基本子空间(Av1053508170,P10)
49:04
11.11.11.11矩阵空间,秩1矩阵,小世界图(Av1053508170,P11)
45:36
12.12.12.12图和网络(Av1053508170,P12)
47:36
13.13.13.13复习一(Av1053508170,P13)
47:19
14.14.14.14正交向量与子空间(Av1053508170,P14)
49:29
15.15.15.15子空间投影(Av1053508170,P15)
48:30
16.16.16.16投影矩阵,最小二乘(Av1053508170,P16)
47:43
17.17.17.17正交矩阵,Schmidt正交化(Av1053508170,P17)
48:52
18.18.18.18行列式及其性质(Av1053508170,P18)
48:52
19.19.19.19行列式公式,代数余子式(Av1053508170,P19)
52:59
20.20.20.20克拉默法则,逆矩阵,体积(Av1053508170,P20)
50:43
21.21.21.21特征值,特征向量(Av1053508170,P21)
51:08
22.22.22.22对角化,A的幂(Av1053508170,P22)
51:34
23.23.23.23微分方程,exp(At)(Av1053508170,P23)
50:46
24.24.24.24马尔可夫矩阵,傅立叶级数(Av1053508170,P24)
50:54
25.25.25.25复习二(Av1053508170,P25)
48:03
26.26.26.26对称矩阵及正定性(Av1053508170,P26)
43:34
27.27.27.27复数矩阵,快速傅里叶变换(Av1053508170,P27)
47:35
28.28.28.28正定矩阵,最小值(Av1053508170,P28)
50:22
29.29.29.29相似矩阵,若尔当形(Av1053508170,P29)
45:38
30.30.30.30奇异值分解(Av1053508170,P30)
40:06
31.31.31.31线性变换及对应矩阵(Av1053508170,P31)
49:13
32.32.32.32基变换,图像压缩(Av1053508170,P32)
50:00
33.33.33.33单元检测3复习(Av1053508170,P33)
46:51
34.34.34.34左右逆,伪逆(Av1053508170,P34)
41:35
35.35.35.35期末复习(Av1053508170,P35)
43:18
36.新MIT 线性代数_机器学习18.065 by Gilbert Stran(Av1053508170,P36)
07:04
37.新MIT 线性代数_机器学习 2.2-A的列向量空间(The Colum(Av1053508170,P37)
52:15
38.新MIT 线性代数_机器学习18.065 by Gilbert Stran(Av1053508170,P38)
48:26
39.新MIT 线性代数_机器学习4.4-Q中的正交列(Orthonormal (Av1053508170,P39)
49:24
40.新MIT 线性代数_机器学习5.5-特征值与特征向量(Eigenvalue(Av1053508170,P40)
48:56
41.新MIT 线性代数_机器学习6.6-正定矩阵和半定矩阵(Positive (Av1053508170,P41)
45:28
42.新MIT 线性代数_机器学习 7.7-奇异值分解(Singular Val(Av1053508170,P42)
53:34
43.新MIT 线性代数_机器学习 8.8-最接近A的秩为k的矩阵(Eckart(Av1053508170,P43)
47:16
44.新MIT 线性代数_机器学习9.9-向量和矩阵的范数(Norms of V(Av1053508170,P44)
49:21
45.新MIT 线性代数_机器学习10.10-四种方法来解决最小二乘问题(Fou(Av1053508170,P45)
49:51
46.新MIT 线性代数_机器学习11.11-Ax = b困难的研究(Surve(Av1053508170,P46)
49:36
47.新MIT 线性代数_机器学习12.12-在Ax = b的条件下最小化_x_(Av1053508170,P47)
50:22
48.新MIT 线性代数_机器学习13.13-计算特征值和奇异值(Computi(Av1053508170,P48)
49:28
49.新MIT 线性代数_机器学习14.14-随机矩阵乘法(Randomized(Av1053508170,P49)
52:24
50.新MIT 线性代数_机器学习 15.15-A和它的逆的低秩变化(Low R(Av1053508170,P50)
50:35
51.新MIT 线性代数_机器学习16.16-矩阵A(t),导数= dA_dt((Av1053508170,P51)
50:52
52.新MIT 线性代数_机器学17.17-逆和奇异值的导数(Derivativ(Av1053508170,P52)
43:09
53.新MIT 线性代数_机器学习18.18-快速下降奇异值(Rapidly D(Av1053508170,P53)
50:34
54.新MIT 线性代数_机器学习19.19-SVD、LU、QR、鞍点的计数参数(Av1053508170,P54)
49:00
55.新MIT 线性代数_机器学习20.20-鞍点继续，Maxmin原则(Sad(Av1053508170,P55)
52:13
56.新MIT 线性代数_机器学习21.21-定义和不等(Definitions(Av1053508170,P56)
55:01
57.新MIT 线性代数_机器学习22.22-逐步最小化一个函数(Minimiz(Av1053508170,P57)
53:45
58.新MIT 线性代数_机器学习23.23-梯度下降(Gradient Des(Av1053508170,P58)
52:44
59.新MIT 线性代数_机器学习24.24-加速梯度下降(使用动量)(Acce(Av1053508170,P59)
49:02
60.新MIT 线性代数_机器学习 25.25-线性规划和两人游戏(Linear(Av1053508170,P60)
53:34
61.新MIT 线性代数_机器学习26.26-随机梯度下降(Stochastic(Av1053508170,P61)
53:03
62.新MIT 线性代数_机器学习27.27-用于深度学习的神经网络结构(Str(Av1053508170,P62)
53:17
63.新MIT 线性代数_机器学习28.28-反向传播-求偏导(Backprop(Av1053508170,P63)
52:38
64.新MIT 线性代数_机器学习 29.31-完成一个rank-1的矩阵(Co(Av1053508170,P64)
49:53
65.新MIT 线性代数_机器学习 30.32-循环矩阵的特征向量-傅里叶矩阵((Av1053508170,P65)
52:37
66.新MIT 线性代数_机器学习 31.33-ImageNet-卷积神经网络((Av1053508170,P66)
47:19
67.新MIT 线性代数_机器学习 32.34-神经网络和学习函数(Neural(Av1053508170,P67)
56:08
68.新MIT 线性代数_机器学习33.35-距离矩阵(Distance Mat(Av1053508170,P68)
29:17
顶部