Abstract: 本文介绍SVD，奇异值分解，应该可以算是本章最后的高潮部分了，也是在机器学习中我们最常用的一种变换，我们经常需要求矩阵的特征值特征向量，比如联合贝叶斯，PCA等常规操作，本文还有两个线性代数的应用，在图像压缩上，以及互联网搜索上。
Keywords: Singular Value Decomposition,JPEG2000,Eigenvalues,Eigenvectors
【线性代数】6-6:相似矩阵(Similar Matrices)
Abstract: 本文主要介绍根据矩阵对角化以及特征值引出的相似矩阵的性质和特点
Keywords: Similar Matrices,Jordan Form,Eigenvalues,Eigenvectors
【线性代数】6-5:正定矩阵(Positive Definite Matrices)
Abstract: 关于正定矩阵的相关知识总结，正定矩阵在数学中的一个应用
Keywords: Positive Definite Matrices,Symmetric Matrices,Eigenvalues,Eigenvectors
【线性代数】6-4:对称矩阵(Symmetric Matrices)
Abstract: 本篇继续线性代数的高潮部分，对称矩阵，以及对称矩阵的一些性质
Keywords: Eigenvalues，Eigenvectors，Symmetric Matrices，Projection Matrices，Spectral Theorem，Principal Axis Theorem
【线性代数】6-3:微分方程的应用(Applications to Differential Equations)
Abstract: 本文主要介绍线性代数在微分方程中的应用
Keywords: Eigenvalues,Eigenvectors,Differential Equations
【线性代数】6-2:对角化(Diagonalizing a Matrix)
Abstract: 矩阵对角化，以及对角化过程中引入的知识，以及对角化的应用
Keywords: Eigenvalues,Eigenvectors,Diagonalizing,Fibonacci Numbers, $A^k$ ,Nondiagonalizable Matrix
【集合论】2 集合操作
Abstract: 本文主要介绍集合论中集合的基本运算和运算法则
Keywords: Complement，Union，Intersection，Commutative Law，Associative Law，Distributive laws
【线性代数】6-1:特征值介绍(Introduction to Eigenvalues)
Abstract: 线性代数重点，关于矩阵特征值特征向量的相关知识第一篇文章，简单介绍特征值
Keywords: Eigenvalues，Eigenvectors，Sigular，Markov matrix，Trace，Imaginary Eigenvalues
【线性代数】5-3:克莱姆法则，逆和体积(Cramer's Rule,Inverses,and Volumes)
Abstract: 本文主要介绍行列式的应用，包括求逆，求面积，求体积，以及叉乘的一些性质
Keywords: Inverses，Cramer’s Rule，Volumes，Determinant，Cross Product