这一篇是图解线性代数的最后一篇文章了。讲了关于特征值和特征向量的内容。其实这一部分的内容是很重要的。关于特征值和特征向量，可以有下面的理解，一个变换，如果其中有只有长度伸缩起了变化...

这一篇文章我们会介绍两种矩阵。之前我们接触的一直是方阵居多；这一次，我们来看一下不是方阵的矩阵，看一下他的变换的意义和一些性质。

这一篇文章我们会讲一个很重要的概念，矩阵的秩。矩阵的秩可以理解为线性变换后空间的维数。因此矩阵的秩是十分重要的一个概念。这一篇文章我们简单讲一下矩阵秩的概念。

这一篇文章我们会接着上一篇的内容，继续讲线性代数中方程组的问题。上一篇我们讨论了两个方程的解法和图解，这一篇文章我们讨论一下三个方程时的解法和三种不同的情况。

这一篇文章我们会叙述线性代数在解线性方程组上面的应用。主要会来叙述三种情况下图像的样子。分别是方程有唯一解，无解和有无数解。

这一篇文章我们来讲一下关于矩阵的逆变换，我们还是会采用图形化的语言来进行叙述。最后我们会讨论什么情况下逆变换是存在的，什么情况下逆变换不存在。

这一篇文章我们会介绍一些特殊的矩阵，如零矩阵，对角矩阵，单位矩阵等。接着我们会介绍一些矩阵的乘法，使用图像化的语言来解释矩阵乘法。

上一篇我们了解了关于矩阵的一些知识，也看了使用图形化的语言来解释矩阵的变换。这一篇文章我们来讲一下行列式的图像化解释，其实行列式简单讲就是表面积增大的倍率，具体的我们可以这一篇文章...

这篇文章讲关于线性代数中的矩阵的知识。矩阵可以说是线性代数中非常重要的一个知识点，这一篇文章会使用图像化的语言来解释一个矩阵所对应的变换，为之后矩阵乘法做铺垫。

这一篇文章，我们接着介绍线性空间里的一些性质，包括，基底 ， 线性组合与线性无关(相关)，其中最后一个线性相关可以现在理解一下意思，后面会详细的介绍。