0 主要内容
矩阵的行列式、秩与迹及特征值分析
矩阵的逆与线性方程组求解
矩阵的分解与变换
1 矩阵的行列式、秩与迹****及特征值分析
1.1 矩阵的行列式
运算符 ： det( )
注意 ：用于求方阵的行列式值
1.2 矩阵的秩
矩阵的秩是矩阵的列向量组（或行向量组） 的任一极大线性无关组所含向量的个数。
运算符 ： rank( )
1.3 矩阵的迹
矩阵的迹等于矩阵主对角线元素的总和。也等于矩阵特征值的总和。
运算符 ： trace( )
注意 ：要求矩阵是方阵
1.4 矩阵的特征值分析
E=eig(A )：
求矩阵A的全部特征值，并构成向量E
[V,D]=eig(A )：
求矩阵 A 的全部特征值，构成对角矩阵D ；求 A 的特征向量构成列向量V 。
A=[1, - 2,3;2,3,1;3, - 1, - 1]
B=det(A)
C=rank(A)
D=trace(A)
E=eig(A)
[V,D]=eig(A)
A1=[1,2,3;4,5,6]
B1=det(A1)
C1=trace(A1)
2 矩阵的逆与线性方程组求解
2.1 矩阵的逆
inv( )
用于求满秩方阵的逆
pinv( ) 用于求不是方阵或非满秩方阵的
逆—— 伪逆
如果 ABA=A ， BAB=B ，则称 B 为 A 的
伪逆，或广义逆矩阵。
2.2 线性方程组求解
AX=B X=
*B
X = inv ( A )* B
X = inv(A)*B= A\ B (矩阵左除)
3 矩阵的分解与变换
3.1 矩阵的分解
三角分解（方阵）： [l,u]=lu(a)
正交分解： [q,r]=qr(a)
a(n,m)
q ： n 阶正交方阵
r ：与 a 同阶的上三角矩阵
奇异值分解： [u,s,v]=svd(a)
u ： n 阶正交方阵
s ： n × m 阶的对角阵，对角线元素为 a
的奇异值，长度为n、 m 的较小者
做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。
别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。
我先来介绍一下这些东西怎么用，文末抱走。
（1）Python所有方向的学习路线（新版）
这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
最近我才对这些路线做了一下新的更新，知识体系更全面了。
（2）Python学习视频
包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。
（3）100多个练手项目
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。
（4）200多本电子书
这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。
基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。
（5）Python知识点汇总
知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。
（6）其他资料
还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。
这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。
