今天看到一篇文章，很有感悟，顺笔就写点东西。
Google的I/O大会之后，“AI将无处不在，智能将无处不在”。
数据分析， 人工智能， 图像识别等趋势， 不彻底学习线性代数 信号处理 算法导论（特别重要，以前看的时候感觉有些算法就是没事找事），是无法应付的。
为什么学得不好，我前段时间看《射雕英雄传》的时候， 刚好看到郭靖在江南七怪的教导下，武功没长进，全真道长说了十个字“教而不得法，学而不得道”。
这里并不是指责说大学的老师没有良好的教授方法，主要还是自己学不知其所以然。。
这里的高等数学当然是包括 微积分 线性代数 概率统计。
《程序员的数学－－线性代数》这本书，综述里有一句话。
m＊n的矩阵A， 表示了从n维空间到m维空间的“映射”。具体来说就是，把n维空间中的点x（n维列向量）变换到m维空间的点（m维列向量）Ax的映射。
为什么要引入矩阵，矩阵是用来做空间变换的，矩阵是一种映射，所以要学习好矩阵的乘积。
行列式＝对角线元素的乘积，但是行列式有什么意义呢？
为什么对角矩阵如何特殊，要拿出来单独讲呢？
书中以“空间变换”的角度进行了解释。一个n维向量乘以一个n＊n的对角矩阵，
实际上就是把对角矩阵中的各个值直接乘到了n维向量的对应的值上，
也就是对n维空间的各个维度进行了系度拉伸。
那么这些对角元素的乘积，实际上是这个矩阵变换給n维空间带来的体积变化的倍数。
（n维空间体积＝第一维长度＊第二维长度……＊第n维长度）
行列式的值是空间体积变化的倍数！！
接着有网友表示，他的线性代数，是看了mit的公开课才明白的，:),你感觉学的那些貌似没啥意义，自然也没有足够的兴趣，自然也学不好，线性代数教給我们的是一种方法，我们需要从更高级的学科中重新思考过它，才能看明白数学现象的本质。