这个AI学习的“拦路虎”，怎么破？
一提到线性代数就泪流满面？技能点都给了吐槽，作业总是不会做？
很多年以后，也许你仍然会记得一个大括号加上一堆数字所带给你的恐惧；很多年以后，你也可能会记得，在终于掌握了矩阵计算时还是对深度学习一头雾水的伤感。
而这，就是线性代数的滋味。
掌握线性代数是学习AI的前置要求。无论是想发家致富，还是想探寻计算机与代码的奥妙，又或者想为全人类的未来做贡献，只要试图入行AI，线性代数必定是一道必须迈过的坎。
不过，线性代数并不是无法逾越的鸿沟，或许很多时候，你只是没有找到正确的切入点。
重点是运算方法
学知识要从完全理解概念开始？这一理论在一般情况下十分正确。
但是对于线性代数而言，在初步了解概念之后，就应该将目光转入运算方法。
AI运算中，最主要的一种方式就是多变量线性回归，包含数据预处理、赋予权重、批量梯度下降这三个模块。
在数据预处理时，高维向量会被使用，作为特征参数的表达。列向量则将会用于表示权重，组成一个权重矩阵。
而所谓赋予权重的过程，实质上就是高维向量与列向量相乘的过程。
而其他模块同样也会涉及矩阵的计算，比如卷积操作过程。
因而，熟练掌握公式是最核心的需求。
归纳起来便是以下几种公式：
矩阵之间的加法和乘法运算。其中乘法运算最为高频。要注意的是，矩阵的乘法不满足交换律，但满足结合律。
矩阵与标量之间的运算，同样也包含加法和乘法两种。
矩阵的转置和逆运算。需要注意的是，不是所有的矩阵都存在逆矩阵。而矩阵的转置也有许多前提条件需要注意。
由此可见，在对于线性代数有基本了解之后，所需要理解的概念就只有矩阵、标量以及组成矩阵的向量和这三者集合的统称张量这四个概念。
理解只在于方法
其实，对于线性代数来说，就算熟记所有公式，也很难get到每一个计算背后的意义及其达成的效果。
但是通过逆向思考和刨根究底，对线代深入理解也很容易。
比如最常见的一个问题——线性变换到底该如何理解？
如果你翻阅教科书或是直接百度一下，你很有可能会得到这样的答案：线性映射是从一个向量空间V到另一个向量空间W的映射且保持加法运算和数量乘法运算，而线性变换是线性空间V到其自身的线性映射。
其实，你可以通过不断地向自己发问，从结果开始，从后向前进行思考。
线性变换得出的结果是怎样的？是图像的变换，是一种运动。
运动需要什么元素来定义？运动对象和运动方式。
而在线性空间里，对象的表示方式是什么？是向量。
那么该如何表示运动的方式？需要描述一个向量到另一个向量过程再到下一个向量的过程，简单来说就是点到点的变换。这一则信息就可以表述为[向量A 向量B 向量C ……]，也就是一个矩阵。
而要让向量运动起来，则需要通过乘法。这时候你便可以得出，线性变换就是矩阵与向量的乘法运算。
读芯君开扒
线性代数其实很简单
在刚开始学习线性代数时，你一定会认为别人说的——线代比高数简单——是对你深深的欺骗，但实际上的确如此。
而让人产生这种感觉的根源，在于其对概念的故弄玄虚。
其实，要深入理解线性代数，遵从教科书的步伐将会带来很多困难。最直接而有效的方式，其实就是在大概了解线性代数的全局后，从最基本的概念开始研究，从空间、从线性空间、从矩阵……
同时需要注意的是，对于线性代数来说，最重要的不是概念本身，而是概念背后的实质。就像基的实质，就是坐标系；而矩阵的实质，就是点的集合……只有这样，才能拨云见日。
作者：羊习习
参考文献链接：
http://m.sohu.com/a/232586862_114877
https://www.guokr.com/post/300903/
如需转载，请后台留言，遵守转载规范