Signed-off-by: sairate <sairate@sina.cn>

README.md

@@ -19,5 +19,8 @@ $ mkdocs serve  # 在本地启动服务器预览
 
 ## 贡献
 
-我们欢迎和鼓励所有人贡献自己的知识和经验！请阅读我们的 [贡献指南](CONTRIBUTING.md) 以了解如何开始。
+我们欢迎和鼓励所有人贡献自己的知识和经验！
 
+- 在工单中提交需求
+
+![issues](.\static\image\issues.jpg)

notebook/docs/basic/math/矩阵运算.md

@@ -0,0 +1,82 @@
+矩阵运算在数学和计算机科学中是一个重要的概念，尤其在线性代数、图形处理、机器学习等领域应用广泛。下面我来介绍一些基本的矩阵运算，包括加法、减法、乘法和转置等。
+
+### 1. 矩阵加法和减法
+矩阵加法和减法要求两个矩阵的维度相同。矩阵中的对应元素进行逐元素相加或相减。
+
+**例如：**
+设有两个矩阵 \( A \) 和 \( B \)，如下：
+\[ A = \begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix}, \quad B = \begin{pmatrix} 5 & 6 \\ 7 & 8 \end{pmatrix} \]
+
+**加法：**
+\[ A + B = \begin{pmatrix} 1+5 & 2+6 \\ 3+7 & 4+8 \end{pmatrix} = \begin{pmatrix} 6 & 8 \\ 10 & 12 \end{pmatrix} \]
+
+**减法：**
+\[ A - B = \begin{pmatrix} 1-5 & 2-6 \\ 3-7 & 4-8 \end{pmatrix} = \begin{pmatrix} -4 & -4 \\ -4 & -4 \end{pmatrix} \]
+
+### 2. 矩阵乘法
+矩阵乘法是矩阵运算中最常见的一种操作。矩阵 \( A \) 的列数必须等于矩阵 \( B \) 的行数。结果矩阵的维度为 \( A \) 的行数和 \( B \) 的列数。
+
+**例如：**
+设有矩阵 \( A \) 和 \( B \)，如下：
+\[ A = \begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix}, \quad B = \begin{pmatrix} 5 & 6 \\ 7 & 8 \end{pmatrix} \]
+
+**乘法：**
+\[ A \times B = \begin{pmatrix} 1\times5 + 2\times7 & 1\times6 + 2\times8 \\ 3\times5 + 4\times7 & 3\times6 + 4\times8 \end{pmatrix} = \begin{pmatrix} 19 & 22 \\ 43 & 50 \end{pmatrix} \]
+
+### 3. 矩阵转置
+矩阵的转置是将矩阵的行和列互换。对于矩阵 \( A \) 的转置矩阵记作 \( A^T \)。
+
+**例如：**
+设矩阵 \( A \) 如下：
+\[ A = \begin{pmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \end{pmatrix} \]
+
+**转置：**
+\[ A^T = \begin{pmatrix} 1 & 4 \\ 2 & 5 \\ 3 & 6 \end{pmatrix} \]
+
+### 4. 单位矩阵和逆矩阵
+- **单位矩阵** \( I \) 是一个对角线上全为1，其余元素为0的方阵。它在矩阵乘法中起着类似于数字1在数乘中的作用。
+
+  **例如：**
+  \[ I = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix} \]
+
+- **逆矩阵** \( A^{-1} \) 是一个矩阵，使得 \( A \times A^{-1} = I \)。只有方阵（行数等于列数）并且行列式不为零的矩阵才有逆矩阵。
+
+### 5. 矩阵行列式
+行列式是一个标量值，可以用于判断矩阵是否可逆。对于 \( 2 \times 2 \) 的矩阵 \( A = \begin{pmatrix} a & b \\ c & d \end{pmatrix} \)，行列式 \( \det(A) \) 计算如下：
+\[ \det(A) = ad - bc \]
+
+如果行列式不为零，矩阵 \( A \) 可逆。
+
+### 6. Python 中的矩阵运算
+在 Python 中，NumPy 是一个常用的库来进行矩阵运算。
+
+```python
+import numpy as np
+
+# 定义矩阵
+A = np.array([[1, 2], [3, 4]])
+B = np.array([[5, 6], [7, 8]])
+
+# 矩阵加法
+C = A + B
+
+# 矩阵乘法
+D = np.dot(A, B)
+
+# 矩阵转置
+E = A.T
+
+# 矩阵的行列式
+det_A = np.linalg.det(A)
+
+# 矩阵的逆
+inv_A = np.linalg.inv(A)
+
+print("矩阵加法结果：\n", C)
+print("矩阵乘法结果：\n", D)
+print("矩阵转置结果：\n", E)
+print("矩阵的行列式：", det_A)
+print("矩阵的逆：\n", inv_A)
+```
+
+这些基本运算为许多复杂的线性代数问题打下了基础。如果你对更高级的矩阵运算或应用有兴趣，可以继续深入学习特征值分解、奇异值分解等内容。

notebook/mkdocs.yml

@@ -15,6 +15,7 @@ nav:
     - 信息学发展史(近代版): basic/program/信息学发展史(近现代).md
   - 数学基础:
       - 进制转换: basic/math/进制转换.md
+      - 矩阵运算: basic/math/矩阵运算.md
 
 theme:
   name: material