第十一节-线性代数回顾理解(1)
在接下来的一组课程中，我会对线性代数进行一个快速的复习回顾。如果你从来没有接触过向量和矩阵，那么这课 件上所有的一切对你来说都是新知识，或者你之前对线性代数有所了解，但由于隔得久了，对其有所遗忘，那就请 学习接下来的一组课程，我会快速地回顾你将用到的线性代数知识。
通过它们，你可以实现和使用更强大的线性回归模型。事实上，线性代数不仅仅在线性回归中应用广泛，它其中的 矩阵和向量将有助于帮助我们实现之后更多的机器学习模型，并在计算上更有效率。正是因为这些矩阵和向量提供 了一种有效的方式来组织大量的数据，特别是当我们处理巨大的训练集时，如果你不熟悉线性代数，如果你觉得线 性代数看上去是一个复杂、可怕的概念，特别是对于之前从未接触过它的人，不必担心，事实上，为了实现机器学 习算法，我们只需要一些非常非常基础的线性代数知识。通过接下来几个课程，你可以很快地学会所有你需要了解 的线性代数知识。具体来说，为了帮助你判断是否有需要学习接下来的一组课程，我会讨论什么是矩阵和向量，谈 谈如何加、减 、乘矩阵和向量，讨论逆矩阵和转置矩阵的概念。
矩阵的维数即行数×列数
矩阵元素（矩阵项）：
Aij指第 i行，第 列的元素。
向量是一种特殊的矩阵，讲义中的向量一般都是列向量，如：
为四维列向量（4×1）。
如下图为1索引向量和0索引向量，左图为1索引向量，右图为0索引向量，一般我们用1索引向量。
3.2 加法和标量乘法
参考课程: 3 - 2 - Addition and Scalar Multiplication (7 min).mkv
矩阵的加法：行列数相等的可以加。例：
矩阵的乘法：每个元素都要乘
组合算法也类似。
,
