深宵出 post，問問大家意見，因為有好幾個 course 都已經上完最後一班，但仍有人想我加開，但係都要睇睇有幾多人真係有興趣，而家以 pm 形式收集大家意見，以下課程如果重開，一天上四堂，有哪一個大家有興趣
(1) core - A天書 (四堂)
(2) core - B天書 (四堂)
(3) core - E天書 (四堂)
(4) core - F天書 (四堂)
(5) M1 - Binomial Theorem 二項式定理, Exponential function 指數函數, Differentiation 微分, App of d (Tangent, rate) 微分應用 (切線、改變率) (四堂)
(6) M1 - App of d (max, min) 微分應用 (極大、極小), Integration 積分, Application of integration 積分應用, Trapezium rule 梯形法則 (四堂)
(7) M1 - Bayes' Theorem 貝葉斯定理, Basic Statistics 基礎統計, Normal Distribution 正態分佈 (四堂)
(8) M1 - 4 Distribution 四大分佈 Bernoulli, Binomial, Geometric and Poisson Distribution 伯努利、二項、幾何 及 泊松分佈, Point and interval Estimation 點與間距估計 (四堂)
(9) M2 - Surd 根式, Mathematical induction 數學歸納法, Binomial Theorem 二項式定理, Trigonometry 三角學 (四堂)
(10) M2 - e & limit e及極限, Differentiation 微分, App of d - tangent, normal 微分應用 - 切線、法線, App of d - rate of change 微分應用 - 改變率, App of d - max, min 微分應用 - 極大、極小值 (四堂)
(11) M2 - curve sketching 曲線描繪, integration 積分, Area and volume 面積及體積 (四堂)
(12) M2 - Matrix 矩陣, System of linear equation 線性方程組 (四堂)
(13) M2 - 2 Dimension vector 平面向量, 3 Dimension vector 立體向量 (四堂)
另外亦有同學要求我地開一個關於
(14) Linear Programming 線性規劃的鬼馬課程 ($200 /2小時)
(15) Mensuration 求積法 的鬼馬課程 ($200 /2小時)
大家如果對上面任何課程有興趣可以 pm 我們
收集大家資料後會火速安排開班
P.S. M1, M2 的課程會於大家考完主科後先開班
多謝各位同學的意見 ^^
dimension矩陣 在 Re: [理工] 線代非歐式空間轉換的矩陣表示法的性質 - 批踢踢 ... 的推薦與評價
※ 引述《aa06697 (忍者龜頭痛)》之銘言：
: 想問一下 目前讀到線性映射這邊
: 知道當 T:V->W 是歐式空間轉換時 T(x)=Ax
: 其中A剛好是取V,W的標準基底的矩陣表示法
: 所以我們可以用這個A來取得一些性質
: 像是:
: (1)求R(T), N(T) 可以轉成求R(A), N(A)
: (2)問T是否1-1, onto 可以檢查A是否行獨立, 行生成
: (3)若A:m*n 則nullity(T)+rank(T) = nullity(A)+rank(A) = n
: 但這些都是在歐式空間的轉換下
: 黃老師的課本＆上課時也都有先提到是歐式空間轉換
: 我想問的是 那非歐式空間轉換呢？
非歐式空間的轉換,
背後仍為Finite Dimensional Vector Space之間的轉換
例如,
向量Fn 同構 n dimension Vector space
多項式Pn 同構 n+1 dimension Vector space
Vector space是代數定義,
(1) 其任意元素滿足ablian群加法 (前四項,封閉性,單位元素...etc)
(2) 其任意元素與scalar Field滿足乘法(分配律, 結合...etc)
而Range, Kernel, 1-1, onto, rank, ... etc
這些概念是建立在Vector Space之上才有的
其代表的是2個Vector Space之間的關係
也就是linear mapping(transformation)
所以你的代數結構必須要同構Vector Space
才享有這些性質
: U: V->W 其中V是多項式空間 W是矩陣空間
: 雖然可以換成矩陣表示法
: 得到 [U(v)] = [U] * [v] (基底就不打了 因為不知道怎麼表示= =)
: 會是 m*1 m*n n*1
: 就類似是前面所講的T(x) = Ax 的感覺
: 那假如[U] = B (且是取V,W的任意基底 就是不用取標準基底)
: 也可以像是上面所講的
: (1)求R(U), N(U) 可以轉成求R(B), N(B)
: (2)問U是否1-1, onto 可以檢查U是否行獨立, 行生成
: (3)若B:m*n 則nullity(U)+rank(U) = nullity(B)+rank(B) = n
: 像這樣用這個B來求得U的性質嗎？
基底可以直接對應就沒有問題,
如果是Pn -> Fn+1, 會稍微不同
但總結來說, dimension變化是一樣的
而R(U)--->R(B)你要自己想辦法轉換
看代數結構而定
覺得代數部分感到抽象,
你可以自行練習個習題,或者是舉個例子來驗證自己的想法
因為都是Vector space,所以都跑不出這個圖的變換
上到下代表dimesion改變, 要注意的就是 1-1, onto是否改變
是否所有行/列向量仍為線性獨立?
n > m 還是 m > n或 m = n都有不一樣的結果
(m = n 代表了基底變換的linear transform)
左到右代表代數結構的改變
例如P3(R)為3次多項式, 同構 F4或4-dimesional Vector Space
------------------------------------------------------------
最後舉個例子,
U : V --> W
T : P3(R) --> P2(R) 是 3次多項式微分成為2次多項式
φA: P3(R) --> R^4
φB: P2(R) --> R^3
LA : R^4 --> R^3 左矩陣乘法, LA(x) = Ax
[0 3 0 0]
LA = [0 0 2 0]
[0 0 0 1]
任取一個3次多項式, y = x^3 + x^2 + x + 4
微分之後可得 y'= 3x^2 + 2x + 1
同理的計算, u = (1,1,1,4)
則結果可以用 LA * u = (3,2,1)
結論是相同的。
你可以自行畫出他們之間的變化, 就像上面的圖一樣
V --------> W
| |
P3 -------> P2
| |
F4 -------> F3
那很明顯地,
這次的變化並非 1-1, Ker非{0}, rank是3
以上的Field皆可以為複數C, 結論不變.
有問題再問我。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 180.177.35.29
※ 文章網址: https://www.ptt.cc/bbs/Grad-ProbAsk/M.1458719001.A.570.html
※ 編輯: OppOops (180.177.35.29), 03/23/2016 18:40:44
※ 編輯: OppOops (180.177.35.29), 03/23/2016 18:43:20
... <看更多>