前言：学不求一次之多，而贵在周周复省。虽然时间很零碎，但也不强求自己能一天学多少，争取每天积累一点就行。
教程：李宏毅（Hung-yi Lee）的Linear Equations视频教程
ppt地址：http://speech.ee.ntu.edu.tw/~tlkagk/courses_LA18.html
视频地址：https://www.bilibili.com/video/av31780632/?p=5
由于想系统而深入学习机器学习的东西，所以将本科没有上过的线代学习一下，所以才有了这个读书笔记。
一开始看到这个英文标题其实有点懵逼，Matrix-Vector product，什么东西来着？？？
后面看到这张图，才意识到是在讲什么东西
原来是讲矩阵与向量相乘
那么怎么理解这个东西呢？
本来我个人的理解是这样的，矩阵A相对于向量x，其实是一个高维跟低维的，就类似面跟点的关系，通过与A相乘，就是将x以A的维度去衡量x，使得x的有一个更直观的结果呈现在面前。
后面李老师提到了Linear System的思维去理解这个东西
emmm，果然是类似的东西
而后李老师又从两个角度对product进行了阐述，分别是row aspect跟column aspect两个层面。
###以解这个两个未知数组的题目为例
x1+4x2=b1
-3x1+2x2 = b2
###这个东西其实就是可以写成矩阵跟向量的相乘的形式
A=[(1，4)(-3，2)]
###而向量则是x1与x2所组成的
x=（x1，x2）
###将x投进A这个Linear System里面，那么当x1等于-2，x2等于0.5时，如何进行评价
首先是Row aspect
由于row1与x垂直，所以b1明显就为0，而row2与x相乘，结果为7，故而b2就为7
让row1与x相乘，得到（-2,6），让row2跟x相乘，得到（2,1），将这两个向量合起来，正好也是（0,7）
虽然角度不一样，但最终结果是一致的，而计算过程其实正是在矩阵的某一维度中分解之后取合并，这个过程其实理解了就不会很懵逼。
而矩阵能与向量相乘的前提条件，两者必须是matched的，其实也很好理解，只有在矩阵最低维度与向量相同时，两者才可能在一个向量空间中进行运算。
接着就是一些运算的法则，这个其实也蛮容易理解的
最后的话，提到了一个比较有意识的法则，即Ax=Bx，则A与B是相等的，这个其实我还不怎么理解，回头再查查资料