线性代数是数学的一个分支，它通过使用向量和矩阵来处理大数据。它引入了查看和理解大数据的另一种方式。矩阵和向量是主要工具，用于数据表示。向量也是单位列矩阵。线性代数也可以定义为“ n维空间数学”。它涉及四个子空间：
列空间
行空间
空空间
左空空间
有多种类型的矩阵和可以对矩阵执行的多种操作。在此学习序列中，我们将使用python来实现这些矩阵以及如何使用不同的操作来操纵它们。
为什么要使用Python？
Python是高级计算机编程语言。除此之外，它提供了大量的程序包（主要是矩阵和向量的numpy程序包），这些程序包使我们能够非常有效地对大数据执行操作，并且非常有效。
几乎所有地方都在使用Python。Python在项目，软件开发，算法编程/机器学习和研究中的使用使其成为计算机科学中的主要语言之一。Python提供了一种学习线性代数的写意方式，以便您可以在任何领域中实现它。
使用列表定义向量
使用Numpy定义向量
用户定义长度的向量
两个向量相加
向量的标量乘法
使用NumPy对向量进行标量乘法
标量乘法属性1
标量乘法属性2
向向量添加维
调用向量的第i维分量
使用功能的矢量幅度
向量的点积
两个向量之间的余弦相似度
线性函数向量
随机整数向量
使用Numpy定义矩阵
使用列创建矩阵
使用行创建矩阵
矩阵的调用列
调用矩阵的行
矩阵加法
矩阵中的行号
矩阵的标量乘法
矩阵形状
(i,j)矩阵中的元素
使用函数调用矩阵的列
使用函数调用矩阵的行
检查平方矩阵
Python | 范德蒙矩阵
numpy.matmul( ) 用于矩阵乘法
Python | 常数矩阵
Python | 矩阵范围
Python | 矩阵等级
Python | 矩阵的痕迹
Python | 矩阵行列式的符号和自然对数
Python | 矩阵的对角线
Python | 矩阵的下三角
Python | 矩阵的上三角
麻木random.random( ) 没有输入参数的功能
randomisation() 产生随机向量的功能
randomisation_matrix() 生成随机矩阵的函数
使用以下命令打印矢量/矩阵元素的功效 pow(x,a)
使用以下命令打印向量/矩阵元素的正弦值 numpy.sin()
使用以下命令打印向量/矩阵元素的双曲正切值 numpy.tanh()
打印向量/矩阵的余弦值（明智的操作）
打印向量/矩阵的对数值（元素明智的操作）
使用以下命令打印矢量/矩阵元素的指数值 numpy.exp()
使用以下命令打印身份矩阵 numpy.eye() 功能
单位矩阵属性（I ^ k = I）
身份矩阵属性（AI = A）
线性方程的表示
线性方程组的表示
转置矩阵
单位矩阵转置属性
对称矩阵
创建对称矩阵
对称矩阵之和
一个矩阵使用 numpy.ones()
零矩阵使用 numpy.zeros()
矩阵的行列式
身份矩阵的行列式
转置矩阵的行列式
零和一矩阵的行列式
非平方矩阵的行列式
矩阵的逆
单位矩阵的逆
矩阵的最小值
矩阵的最大值
矩阵的平均值
矩阵的乘积及其逆性质
矩阵乘积及其转置特性
从矩阵比较最大值
从矩阵比较最小值
向量的范数
向量的外积
外部产品属性
Python | 申请学校CPI记录（线性代数）
最简单的神经网络简介
单层神经网络
Python | 隐层最简单的神经网络
单点铰链损耗
单点铰链损失功能
多点铰链损失功能
二项式过程
Python | 二项式实验模拟
欧氏距离示例