第一次學工程數學就上手 (3)：線性代數, 3/e
林振義
- 出版商: 五南
- 出版日期: 2024-07-03
- 定價: $320
- 售價: 9.5 折 $304
- 貴賓價: 9.0 折 $288
- 語言: 繁體中文
- ISBN: 6263934565
- ISBN-13: 9786263934566
-
相關分類:
線性代數 Linear-algebra
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
3小時讀通微積分【漫畫版】$280$238 -
世界第一簡單線性代數$320$272 -
Elementary Linear Algebra: A Matrix Approach, 2/e (PNIE)$1,580$1,548 -
線性代數分類題庫【線性代數及其應用習題詳解】,5/e$690$656 -
Spark 技術手冊｜輕鬆寫意處理大數據 (Spark: The Definitive Guide｜Big Data Processing Made Simple)$880$695 -
精通機器學習｜使用 Scikit-Learn , Keras 與 TensorFlow, 2/e (Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2/e)$1,200$948 -
生成深度學習｜訓練機器繪畫、作曲、寫作與玩遊戲 (Generative Deep Learning)$580$458 -
Go 學習手冊 (Learning Go)$580$458 -
快速學會 倉頡輸入法 (舊版: 舞動倉頡輸入法)$550$468 -
計算機組成原理：作業系統概論Ⅰ$560$437 -
特徵工程的藝術：通用技巧與實用案例$539$512 -
C 最強入門邁向頂尖高手之路王者歸來 (單色印刷)$620$490 -
商業分析全攻略：用數據分析解決商業問題 (全彩)$888$844 -
第一次學工程數學就上手 (4) ─ 向量分析與偏微分方程式, 2/e$250$225 -
重構的時機與實作｜五行程式碼規則 (Five Lines of Code: How and When to Refactor)$680$537 -
第一次學工程數學就上手 (5) ─ 複變數, 2/e$280$252 -
跟 NVIDIA 學深度學習！從基本神經網路到 ......、GPT、BERT...，紮穩機器視覺與大型語言模型 (LLM) 的建模基礎$880$748 -
鍛鍊問題解決力！演算法與資料結構應用全圖解$650$514 -
資料結構初學指引 ─ 入門精要版, 4/e$600$468 -
Stable Diffusion：與杰克艾米立攜手專精 AI 繪圖$750$593 -
精確掌握 AI 大趨勢！深度學習技術解密：日本 AI 神人，帶你正確學會從機器學習到生成式 AI 的核心基礎$630$498 -
全格局使用 PyTorch - 深度學習和圖神經網路 - 基礎篇, 2/e$880$695 -
第一次學工程數學就上手 (1) -- 微積分與微分方程式, 4/e$250$225 -
第一次學工程數學就上手 (2) -- 拉氏轉換與傅立葉, 5/e$260$234 -
深度學習詳解｜台大李宏毅老師機器學習課程精粹$750$593
商品描述
◎◎◎ SOP閃通教材 ◎◎◎
老師在解題時，會把題目的標準解題流程（SOP）記在頭腦裡，
依此標準解題流程（SOP）解給學生看，可是並不是每個學生
看完老師教的標準解題流程（SOP）後，就能記住此標準解題流程（SOP）。
本書是將每個題型的標準解題流程（SOP）寫下來，
學生只要將題目的數值代入標準解題流程(SOP)內，
就可以把該題目解答出來。
等學生學會了後，此SOP就可以丟掉了。
作者簡介
林振義
現職
明新科技大學電機系副教授
獲獎
榮獲教育部105年度師鐸獎
第10屆（2022年）星雲教育獎
學歷
屏東高中
交通大學控制（電機）工程學系
交通大學計算機工程研究所碩士
交通大學資訊工程研究所博士
經歷
工業技術研究院機械所
中山科學研究院
國立空中大學學科委員
目錄大綱
第五篇 線性代數
第1章 線性方程式
1.1 線性方程組
1.2 求線性方程組的解
1.3 線性齊次方程組
第2章 矩陣
2.1 矩陣的基礎
2.2 列階梯形矩陣
2.3 反矩陣
2.4 LU-分解
2.5 矩陣與線性方程組
第3章 行列式
3.1 行列式性質
3.2 行列式降階
3.3 反矩陣
3.4 克拉莫法則
第4章 向量與向量空間
4.1 向量的基本觀念
4.2 向量空間
4.3 子空間
4.4 列空間
4.5 線性組合
第5章 維度與基底
5.1 線性相依與線性獨立
5.2 維度與基底
5.3 矩陣的零空間
5.4 Gram-Schmitdt正交過程
5.5 QR分解
5.6 最小平方解
第6章 線性映射
6.1 線性映射基礎
6.2 線性映射的像與核
6.3 線性算子的矩陣表示
6.4 基底變換
第7章 特徵值與特徵向量
