兔狲学院：线性代数完整入门

兔狲教授的亲切提示：线性代数是多维世界的语言，是现代科学和技术的通用工具。我们将从向量和矩阵的基础开始，逐步构建完整的线性代数知识体系。每个概念都像多维空间中的一个坐标轴，共同构成理解复杂系统的框架。

词条1：向量——有方向的量

官方解释

向量是既有大小又有方向的量。在 $R^{n}$ 中，向量表示为有序 $n$ 元组： $\vec{v} = (v_{1}, v_{2}, \dots, v_{n})$

向量运算：

加法： $\vec{u} + \vec{v} = (u_{1} + v_{1}, u_{2} + v_{2}, \dots, u_{n} + v_{n})$
数乘： $c \vec{v} = (c v_{1}, c v_{2}, \dots, c v_{n})$
点积： $\vec{u} \cdot \vec{v} = \sum_{i = 1}^{n} u_{i} v_{i}$
范数（长度）： $∥ \vec{v} ∥ = \sqrt{\vec{v} \cdot \vec{v}} = \sqrt{\sum v_{i}^{2}}$

兔狲老师解释

向量就是"带箭头的量"。

小小猪的比喻：

标量：只有大小（温度20°C）
向量：大小 + 方向（风速20km/h，方向东北）

几何解释： $R^{2}$ 中的向量是从原点到点 $(x, y)$ 的箭头。

向量的物理意义：

力：大小（牛顿）和方向
速度：速率和方向
位移：距离和方向

思考题1：动手题

问题：向量运算练习

已知 $\vec{u} = (2, - 1, 3)$ ， $\vec{v} = (1, 4, - 2)$

计算 $\vec{u} + \vec{v}$
计算 $3 \vec{u} - 2 \vec{v}$
计算 $\vec{u} \cdot \vec{v}$
计算 $∥ \vec{u} ∥$ 和 $∥ \vec{v} ∥$
求 $\vec{u}$ 和 $\vec{v}$ 之间的夹角（用点积公式： $\vec{u} \cdot \vec{v} = ∥ \vec{u} ∥ ∥ \vec{v} ∥ \cos θ$ ）

思考题2：动脑题

问题：为什么需要向量的概念？

思考方向：

只用数字（标量）描述物理量有什么局限？
在机器学习中，为什么用向量表示数据点？
向量的"线性组合"概念为什么重要？

词条2：向量空间——向量的集合

官方解释

向量空间（线性空间）是一个集合 $V$ ，配有两种运算（加法和数乘），满足8条公理：

加法交换律： $\vec{u} + \vec{v} = \vec{v} + \vec{u}$
加法结合律： $(\vec{u} + \vec{v}) + \vec{w} = \vec{u} + (\vec{v} + \vec{w})$
零向量存在： $\exists \vec{0} \in V, \forall \vec{v} \in V, \vec{v} + \vec{0} = \vec{v}$
负向量存在： $\forall \vec{v} \in V, \exists - \vec{v} \in V, \vec{v} + (- \vec{v}) = \vec{0}$
数乘结合律： $a (b \vec{v}) = (a b) \vec{v}$
数乘单位元： $1 \vec{v} = \vec{v}$
分配律1： $a (\vec{u} + \vec{v}) = a \vec{u} + a \vec{v}$
分配律2： $(a + b) \vec{v} = a \vec{v} + b \vec{v}$

兔狲老师解释

向量空间就是"向量的游乐场"——有规则的游戏空间。

重要例子：

$R^{n}$ ： $n$ 维实向量空间（标准例子）
多项式空间：所有多项式的集合
函数空间：某些函数的集合
矩阵空间：所有 $m \times n$ 矩阵的集合

小海豹的视角：向量空间公理抓住了"线性"的本质特征。

思考题3：动手题

问题：验证向量空间公理

考虑集合 $V = {(x, y) \in R^{2} : x \geq 0}$ （右半平面）

$V$ 对加法封闭吗？（如果 $\vec{u}, \vec{v} \in V$ ， $\vec{u} + \vec{v} \in V$ 吗？）
$V$ 对数乘封闭吗？（如果 $\vec{v} \in V$ ， $c \vec{v} \in V$ 对所有 $c \in R$ 吗？）
$V$ 是向量空间吗？哪条公理不满足？

思考题4：动脑题

问题：为什么需要向量空间的抽象定义？

思考方向：

具体向量（如 $R^{n}$ ）不够用吗？
多项式为什么可以看作向量？
抽象定义如何统一不同领域的线性结构？

词条3：线性相关与线性无关

官方解释

向量组 ${{\vec{v}}_{1}, {\vec{v}}_{2}, \dots, {\vec{v}}_{k}}$ 称为线性相关，如果存在不全为零的标量 $c_{1}, c_{2}, \dots, c_{k}$ 使得： $c_{1} {\vec{v}}_{1} + c_{2} {\vec{v}}_{2} + \dots + c_{k} {\vec{v}}_{k} = \vec{0}$

否则称为线性无关。

等价表述：一个向量可以由其他向量线性表示 ⇔ 线性相关。

兔狲老师解释

线性相关就是"有多余信息"，线性无关就是"每个向量都提供新信息"。

小小猪的几何解释（ $R^{2}$ ）：

两个向量：线性相关 ⇔ 共线（在同一直线上）
三个向量：在 $R^{2}$ 中一定线性相关（平面最多容纳2个独立方向）

测试方法：构造矩阵，化为行阶梯形，看是否有自由变量。

重要定理： $n + 1$ 个 $n$ 维向量一定线性相关。

思考题5：动手题

问题：判断向量组的线性相关性

${\vec{v}}_{1} = (1, 2, 3)$ ， ${\vec{v}}_{2} = (4, 5, 6)$ ， ${\vec{v}}_{3} = (7, 8, 9)$
${\vec{v}}_{1} = (1, 0, 0)$ ， ${\vec{v}}_{2} = (0, 1, 0)$ ， ${\vec{v}}_{3} = (0, 0, 1)$
${\vec{v}}_{1} = (1, 1)$ ， ${\vec{v}}_{2} = (2, 2)$ ， ${\vec{v}}_{3} = (3, 3)$

对于每组，构造矩阵，化为行阶梯形，判断相关性。

思考题6：动脑题

问题：线性无关性为什么重要？

思考方向：

在坐标系中，基向量为什么必须线性无关？
在数据科学中，特征之间的相关性有什么影响？
线性无关性和"维度"概念有什么关系？

词条4：基与维数

官方解释

向量空间 $V$ 的基是一个线性无关的向量组，且能生成整个 $V$ （即 $V$ 中任何向量都可表示为基向量的线性组合）。

维数：基中向量的个数，记作 $\dim V$ 。维数与基的选择无关。

标准基： $R^{n}$ 的标准基是 ${\vec{e}}_{1} = (1, 0, \dots, 0)$ ， ${\vec{e}}_{2} = (0, 1, \dots, 0)$ ，...， ${\vec{e}}_{n} = (0, 0, \dots, 1)$ 。

兔狲老师解释

基就是"坐标系的标尺"，维数就是"空间的自由度"。

小小猪的比喻：在三维空间中，我们需要三个独立方向（前后、左右、上下）来确定位置。这三个方向就是基，3就是维数。

坐标表示：给定基 ${{\vec{v}}_{1}, {\vec{v}}_{2}, \dots, {\vec{v}}_{n}}$ ，任何向量 $\vec{w}$ 可唯一表示为： $\vec{w} = c_{1} {\vec{v}}_{1} + c_{2} {\vec{v}}_{2} + \dots + c_{n} {\vec{v}}_{n}$ $(c_{1}, c_{2}, \dots, c_{n})$ 就是 $\vec{w}$ 在该基下的坐标。

思考题7：动手题

问题：基与坐标练习

在 $R^{3}$ 中，考虑基 $B = {{\vec{v}}_{1} = (1, 1, 0), {\vec{v}}_{2} = (1, 0, 1), {\vec{v}}_{3} = (0, 1, 1)}$

验证 $B$ 是基（线性无关且生成 $R^{3}$ ）
求向量 $\vec{w} = (3, 2, 1)$ 在基 $B$ 下的坐标
求标准基向量 ${\vec{e}}_{1} = (1, 0, 0)$ 在基 $B$ 下的坐标

思考题8：动脑题

问题：为什么维数是向量空间的内在性质？

思考方向：

不同基的向量个数为什么相同？
这和"线性无关向量的最大个数"有什么关系？
无限维向量空间（如函数空间）有什么特点？

词条5：矩阵——线性变换的表示

官方解释

矩阵是数（或元素）的矩形阵列。 $m \times n$ 矩阵有 $m$ 行 $n$ 列： $A = [\begin{matrix} a_{11} & a_{12} & \dots & a_{1 n} \\ a_{21} & a_{22} & \dots & a_{2 n} \\ ⋮ & ⋮ & ⋱ & ⋮ \\ a_{m 1} & a_{m 2} & \dots & a_{m n} \end{matrix}]$

矩阵运算：

加法：对应元素相加（同型矩阵）
数乘：每个元素乘以标量
乘法： $C = A B$ ，其中 $c_{i j} = \sum_{k = 1}^{p} a_{i k} b_{k j}$ （ $A$ 是 $m \times p$ ， $B$ 是 $p \times n$ ）

兔狲老师解释

矩阵就是"线性变换的密码本"。

每个 $m \times n$ 矩阵 $A$ 对应一个线性变换 $T : R^{n} \to R^{m}$ ： $T (\vec{x}) = A \vec{x}$

矩阵的列： $A$ 的第 $j$ 列是 $T ({\vec{e}}_{j})$ ，其中 ${\vec{e}}_{j}$ 是 $R^{n}$ 的标准基向量。

矩阵乘法：变换的复合。如果 $T_{1} : R^{n} \to R^{p}$ 对应 $A$ ， $T_{2} : R^{p} \to R^{m}$ 对应 $B$ ，则 $T_{2} \circ T_{1}$ 对应 $B A$ 。

思考题9：动手题

问题：矩阵运算练习

设 $A = [\begin{matrix} 1 & 2 \\ 3 & 4 \end{matrix}]$ ， $B = [\begin{matrix} 2 & 0 \\ 1 & 3 \end{matrix}]$ ， $C = [\begin{matrix} 1 & - 1 \\ 0 & 2 \end{matrix}]$

计算 $A + B$
计算 $A B$ 和 $B A$ （注意顺序！）
计算 $A (B C)$ 和 $(A B) C$ （验证结合律）
计算 $A^{2} = A A$
解矩阵方程 $A X = B$ （求 $X$ ）

思考题10：动脑题

问题：矩阵乘法为什么一般不可交换？

思考方向：

用几何变换解释：先旋转再平移 vs 先平移再旋转
在物理学中，操作顺序为什么重要？
什么情况下矩阵乘法可交换？（如对角矩阵相乘）

词条6：线性方程组——矩阵的应用

官方解释

$m$ 个方程 $n$ 个未知数的线性方程组： ${\begin{cases} a_{11} x_{1} + a_{12} x_{2} + \dots + a_{1 n} x_{n} = b_{1} \\ a_{21} x_{1} + a_{22} x_{2} + \dots + a_{2 n} x_{n} = b_{2} \\ ⋮ \\ a_{m 1} x_{1} + a_{m 2} x_{2} + \dots + a_{m n} x_{n} = b_{m} \end{cases}$

矩阵形式： $A \vec{x} = \vec{b}$ ，其中 $A$ 是系数矩阵， $\vec{x}$ 是未知向量， $\vec{b}$ 是常数向量。

解的情况：

无解：方程组矛盾
唯一解：系数矩阵满秩
无穷多解：有自由变量

兔狲老师解释

线性方程组就是"用线性条件确定未知数"。

小小猪的比喻：像多个线索破案，每个方程提供一个线索。

解法：高斯消元法（行化简）

写出增广矩阵 $[A | \vec{b}]$
化为行阶梯形
判断解的情况
如果有解，化为简化行阶梯形
写出解（可能含自由变量）

几何解释（ $R^{2}$ ）：

每个方程表示一条直线
解是直线的交点
无解：平行线
唯一解：相交于一点
无穷多解：同一条直线

思考题11：动手题

问题：解线性方程组

解方程组： ${\begin{cases} x + 2 y - z = 1 \\ 2 x + y + z = 8 \\ - x + y + 2 z = 7 \end{cases}$

写出增广矩阵
用高斯消元法化为行阶梯形
判断解的情况
如果有解，求出解

思考题12：动脑题

问题：线性方程组理论为什么重要？

思考方向：

在工程中，电路网络分析如何化为线性方程组？
在经济学中，投入产出模型如何使用线性方程组？
线性方程组和矩阵的秩有什么关系？

词条7：行列式——体积的缩放因子

官方解释

行列式是方阵的一个标量值，记作 $det A$ 或 $| A |$ 。

$2 \times 2$ 矩阵： $det [\begin{matrix} a & b \\ c & d \end{matrix}] = a d - b c$

$3 \times 3$ 矩阵（Sarrus法则）： $det [\begin{matrix} a & b & c \\ d & e & f \\ g & h & i \end{matrix}] = a e i + b f g + c d h - c e g - b d i - a f h$

一般 $n \times n$ 矩阵：按行（列）展开，或化为上三角矩阵（对角线乘积）。

兔狲老师解释

行列式就是"线性变换的体积缩放倍数"。

几何意义（ $R^{2}$ ）：

$det A$ 的绝对值：平行四边形面积的缩放倍数
$det A$ 的正负：方向是否翻转（右手系变左手系）

性质：

$det (A B) = det A \cdot det B$
$det (A^{- 1}) = 1 / det A$ （如果 $A$ 可逆）
$det A = 0$ ⇔ $A$ 不可逆 ⇔ 列向量线性相关

应用：判断矩阵是否可逆，计算体积，解线性方程组（克莱姆法则）。

思考题13：动手题

问题：行列式计算练习

$det [\begin{matrix} 3 & 1 \\ 2 & 4 \end{matrix}]$
$det [\begin{matrix} 1 & 2 & 3 \\ 0 & 1 & 4 \\ 5 & 6 & 0 \end{matrix}]$
$det [\begin{matrix} 2 & 4 \\ 1 & 2 \end{matrix}]$ （特别关注！）
$det [\begin{matrix} 1 & 0 & 0 & 0 \\ 2 & 3 & 0 & 0 \\ 4 & 5 & 6 & 0 \\ 7 & 8 & 9 & 10 \end{matrix}]$ （三角矩阵）

思考题14：动脑题

问题：行列式为零意味着什么？

思考方向：

在几何上， $det A = 0$ 对应什么变换？
在线性方程组中， $det A = 0$ 意味着什么？
在物理学中，什么情况下变换会"降维"？

词条8：逆矩阵——变换的逆操作

官方解释

方阵 $A$ 的逆矩阵 $A^{- 1}$ 满足： $A A^{- 1} = A^{- 1} A = I$ 其中 $I$ 是单位矩阵。

$A$ 可逆的充要条件： $det A \neq 0$ 。

$2 \times 2$ 逆矩阵公式： ${[\begin{matrix} a & b \\ c & d \end{matrix}]}^{- 1} = \frac{1}{a d - b c} [\begin{matrix} d & - b \\ - c & a \end{matrix}]$

一般求法：高斯-若尔当消元法 $[A | I] \to [I | A^{- 1}]$ 。

兔狲老师解释

逆矩阵就是"撤销变换"。

小小猪的比喻：如果矩阵 $A$ 表示"旋转30度"，那么 $A^{- 1}$ 表示"反向旋转30度"。

应用：

解线性方程组： $A \vec{x} = \vec{b}$ ⇒ $\vec{x} = A^{- 1} \vec{b}$
坐标变换：如果 $\vec{y} = A \vec{x}$ ，则 $\vec{x} = A^{- 1} \vec{y}$
矩阵方程： $A X = B$ ⇒ $X = A^{- 1} B$

注意：不是所有矩阵都有逆。不可逆矩阵对应"不可逆"的变换（如投影到低维空间）。

思考题15：动手题

问题：求逆矩阵练习

验证 $A = [\begin{matrix} 1 & 2 \\ 3 & 4 \end{matrix}]$ 是否可逆
如果可逆，用公式求 $A^{- 1}$
用高斯-若尔当法求 $A^{- 1}$ ： $[A | I] \to [I | A^{- 1}]$
验证 $A A^{- 1} = I$

思考题16：动脑题

问题：逆矩阵的存在性有什么意义？

思考方向：

在密码学中，可逆矩阵如何用于加密解密？
在计算机图形学中，为什么需要逆变换？
不可逆变换在现实中对应什么情况？

词条9：特征值与特征向量

官方解释

对于 $n \times n$ 矩阵 $A$ ，如果存在非零向量 $\vec{v}$ 和标量 $λ$ 使得： $A \vec{v} = λ \vec{v}$ 则 $λ$ 称为特征值， $\vec{v}$ 称为对应的特征向量。

特征方程： $det (A - λ I) = 0$

特征多项式： $p (λ) = det (A - λ I)$ ，是 $λ$ 的 $n$ 次多项式。

兔狲老师解释

特征向量就是"在变换中保持方向不变的向量"。

小小猪的比喻：矩阵变换像大风，大多数物体被吹得改变方向，但有些特殊方向（特征向量）上的物体只被拉伸/压缩（特征值），不改变方向。

几何意义：

特征向量：变换的不变方向
特征值：沿该方向的拉伸/压缩因子
正特征值：保持方向
负特征值：反向
复特征值：旋转

应用：主成分分析（PCA）、振动分析、矩阵对角化。

思考题17：动手题

问题：求特征值和特征向量

对于 $A = [\begin{matrix} 4 & 1 \\ 2 & 3 \end{matrix}]$

求特征方程 $det (A - λ I) = 0$
解特征方程得特征值 $λ_{1}, λ_{2}$
对每个特征值，解 $(A - λ I) \vec{v} = \vec{0}$ 得特征向量
验证 $A {\vec{v}}_{1} = λ_{1} {\vec{v}}_{1}$

思考题18：动脑题

问题：特征值和特征向量为什么重要？

思考方向：

在主成分分析中，特征向量表示什么方向？
在物理振动中，特征值和特征向量对应什么？
为什么说特征值揭示了矩阵的"本质"？

词条10：矩阵对角化

官方解释

$n \times n$ 矩阵 $A$ 可对角化，如果存在可逆矩阵 $P$ 和对角矩阵 $D$ 使得： $A = P D P^{- 1}$ 其中 $D$ 的对角线元素是 $A$ 的特征值， $P$ 的列是对应的特征向量。

条件： $A$ 有 $n$ 个线性无关的特征向量（充分必要）。

对角化的好处：

计算幂： $A^{k} = P D^{k} P^{- 1}$ （ $D^{k}$ 容易计算）
解微分方程组
分析矩阵的长期行为

兔狲老师解释

对角化就是"换到特征向量坐标系"。

小小猪的比喻：在标准坐标系中，矩阵 $A$ 的作用很复杂；但在特征向量坐标系中， $A$ 只是简单的拉伸（对角矩阵）。

步骤：

求特征值 $λ_{1}, \dots, λ_{n}$
求对应的特征向量 ${\vec{v}}_{1}, \dots, {\vec{v}}_{n}$
构造 $P = [{\vec{v}}_{1} {\vec{v}}_{2} \dots {\vec{v}}_{n}]$
构造 $D = diag (λ_{1}, \dots, λ_{n})$
验证 $A = P D P^{- 1}$

不是所有矩阵都可对角化（如亏损矩阵）。

思考题19：动手题

问题：矩阵对角化练习

对 $A = [\begin{matrix} 4 & 1 \\ 2 & 3 \end{matrix}]$ （上题已求特征值特征向量）

构造 $P$ 和 $D$
计算 $P^{- 1}$
验证 $A = P D P^{- 1}$
计算 $A^{5}$ 用对角化方法

思考题20：动脑题

问题：对角化有什么实际应用？

思考方向：

在马尔可夫链中，如何用对角化求稳态分布？
在系统动力学中，对角化如何简化分析？
什么情况下矩阵不可对角化？如何处理？

词条11：二次型与正定矩阵

官方解释

二次型是二次齐次多项式： $Q (\vec{x}) = {\vec{x}}^{T} A \vec{x} = \sum_{i = 1}^{n} \sum_{j = 1}^{n} a_{i j} x_{i} x_{j}$ 其中 $A$ 是对称矩阵（ $A^{T} = A$ ）。

正定矩阵：对称矩阵 $A$ 是正定的，如果对所有非零向量 $\vec{x}$ ，有 ${\vec{x}}^{T} A \vec{x} > 0$ 。

判定方法：

所有特征值 > 0
所有顺序主子式 > 0
可分解为 $A = R^{T} R$ （ $R$ 可逆）

兔狲老师解释

二次型就是"二次能量函数"，正定性就是"能量总是正的"。

几何意义（ $R^{2}$ ）：

二次型 $Q (x, y) = a x^{2} + b x y + c y^{2}$
正定时： $Q (x, y) = 1$ 表示椭圆
不定时： $Q (x, y) = 1$ 表示双曲线

应用：

优化：二次函数的最值问题
物理：动能、势能是二次型
统计：多元正态分布的指数部分
机器学习：支持向量机、正则化

思考题21：动手题

问题：分析二次型

考虑 $Q (x, y) = 2 x^{2} + 4 x y + 5 y^{2}$

写出对应的对称矩阵 $A$
判断 $A$ 是否正定（用特征值或主子式）
将 $Q$ 化为标准形（用正交变换）
画出 $Q (x, y) = 1$ 的图形

思考题22：动脑题

问题：正定矩阵为什么重要？

思考方向：

在优化中，正定海森矩阵保证什么？
在数值计算中，正定线性方程组有什么好性质？
正定性和矩阵的"稳定性"有什么关系？

词条12：雅可比矩阵与多元微积分的连接

官方解释

雅可比矩阵是多变量向量值函数的导数矩阵。

对于函数 $f : R^{n} \to R^{m}$ ， $f (\vec{x}) = (f_{1} (\vec{x}), f_{2} (\vec{x}), \dots, f_{m} (\vec{x}))$ ，其雅可比矩阵 $J_{f} (\vec{x})$ 是 $m \times n$ 矩阵： $J_{i j} = \frac{\partial f_{i}}{\partial x_{j}}$

雅可比行列式： $det J_{f}$ ，表示变换的局部体积缩放因子。

链式法则：如果 $g : R^{p} \to R^{n}$ ， $f : R^{n} \to R^{m}$ ，则 $J_{f \circ g} (\vec{x}) = J_{f} (g (\vec{x})) \cdot J_{g} (\vec{x})$

兔狲老师解释

雅可比矩阵就是"多维版的导数"！

小小猪的发现：单变量函数：导数（一个数）→ 斜率多变量函数：雅可比矩阵（一个矩阵）→ 每个方向的变化率

几何意义：在一点附近，可微函数近似为线性变换，雅可比矩阵就是这个线性变换的矩阵。

应用：

牛顿法求根：解 $f (\vec{x}) = \vec{0}$ ，迭代 ${\vec{x}}_{k + 1} = {\vec{x}}_{k} - J_{f} ({\vec{x}}_{k})^{- 1} f ({\vec{x}}_{k})$
优化：梯度下降的多元推广
坐标变换：多重积分中的变量替换
神经网络：反向传播算法

思考题23：动手题

问题：雅可比矩阵计算

设 $f (x, y) = (x^{2} + y, x y, x + y)$

求雅可比矩阵 $J_{f} (x, y)$
在点 $(1, 2)$ 计算 $J_{f}$
用雅可比矩阵近似 $f (1.1, 2.05)$
计算雅可比行列式 $det J_{f} (x, y)$

思考题24：动脑题

问题：雅可比矩阵如何连接线性代数和微积分？

思考方向：

雅可比矩阵和线性变换的矩阵有什么对应？
链式法则的矩阵形式为什么是乘法？
在深度学习中，反向传播如何用雅可比矩阵表示？

兔狲学院小结：线性代数知识链

通过12个词条，我们建立了完整的线性代数知识链：

向量 → 有方向的量，线性代数的基本元素
向量空间 → 向量的集合与运算规则
线性相关/无关 → 向量的独立性
基与维数 → 坐标系的数学描述
矩阵 → 线性变换的表示
线性方程组 → 矩阵的核心应用
行列式 → 体积缩放因子，可逆性判据
逆矩阵 → 变换的逆操作
特征值与特征向量 → 变换的不变方向
矩阵对角化 → 简化复杂变换
二次型与正定矩阵 → 二次函数与优化
雅可比矩阵 → 连接线性代数与微积分

兔狲教授的最后一课： "线性代数不是关于数字的排列游戏，而是关于结构和关系的科学。它提供了理解多维世界的语言：用向量表示数据点，用矩阵表示变换，用特征值抓住本质，用二次型描述能量。

更重要的是，线性代数教会我们一种思维方式：在复杂系统中寻找线性结构，在高维空间中建立坐标系，在变换中寻找不变量。这是现代科学、工程和数据分析的核心能力。

现在，你不仅学会了线性代数的技术，更掌握了处理多维信息的思维框架。用这个框架去理解世界吧——从计算机图形到量子力学，从机器学习到经济模型，线性结构无处不在。"

下一站：西方近代以前哲学——理性思维的起源

兔狲学院：线性代数完整入门 ​

词条1：向量——有方向的量 ​

官方解释 ​

兔狲老师解释 ​

思考题1：动手题 ​

思考题2：动脑题 ​

词条2：向量空间——向量的集合 ​

官方解释 ​

兔狲老师解释 ​

思考题3：动手题 ​

思考题4：动脑题 ​

词条3：线性相关与线性无关 ​

官方解释 ​

兔狲老师解释 ​

思考题5：动手题 ​

思考题6：动脑题 ​

词条4：基与维数 ​

官方解释 ​

兔狲老师解释 ​

思考题7：动手题 ​

思考题8：动脑题 ​

词条5：矩阵——线性变换的表示 ​

官方解释 ​

兔狲老师解释 ​

思考题9：动手题 ​

思考题10：动脑题 ​

词条6：线性方程组——矩阵的应用 ​

官方解释 ​

兔狲老师解释 ​

思考题11：动手题 ​

思考题12：动脑题 ​

词条7：行列式——体积的缩放因子 ​

官方解释 ​

兔狲老师解释 ​

思考题13：动手题 ​

思考题14：动脑题 ​

词条8：逆矩阵——变换的逆操作 ​

官方解释 ​

兔狲老师解释 ​

思考题15：动手题 ​

思考题16：动脑题 ​

词条9：特征值与特征向量 ​

官方解释 ​

兔狲老师解释 ​

思考题17：动手题 ​

思考题18：动脑题 ​

词条10：矩阵对角化 ​

官方解释 ​

兔狲老师解释 ​

思考题19：动手题 ​

思考题20：动脑题 ​

词条11：二次型与正定矩阵 ​

官方解释 ​

兔狲老师解释 ​

思考题21：动手题 ​

思考题22：动脑题 ​

词条12：雅可比矩阵与多元微积分的连接 ​

官方解释 ​

兔狲老师解释 ​

思考题23：动手题 ​

思考题24：动脑题 ​

兔狲学院小结：线性代数知识链 ​

兔狲学院：线性代数完整入门

词条1：向量——有方向的量

官方解释

兔狲老师解释

思考题1：动手题

思考题2：动脑题

词条2：向量空间——向量的集合

官方解释

兔狲老师解释

思考题3：动手题

思考题4：动脑题

词条3：线性相关与线性无关

官方解释

兔狲老师解释

思考题5：动手题

思考题6：动脑题

词条4：基与维数

官方解释

兔狲老师解释

思考题7：动手题

思考题8：动脑题

词条5：矩阵——线性变换的表示

官方解释

兔狲老师解释

思考题9：动手题

思考题10：动脑题

词条6：线性方程组——矩阵的应用

官方解释

兔狲老师解释

思考题11：动手题

思考题12：动脑题

词条7：行列式——体积的缩放因子

官方解释

兔狲老师解释

思考题13：动手题

思考题14：动脑题

词条8：逆矩阵——变换的逆操作

官方解释

兔狲老师解释

思考题15：动手题

思考题16：动脑题

词条9：特征值与特征向量

官方解释

兔狲老师解释

思考题17：动手题

思考题18：动脑题

词条10：矩阵对角化

官方解释

兔狲老师解释

思考题19：动手题

思考题20：动脑题

词条11：二次型与正定矩阵

官方解释

兔狲老师解释

思考题21：动手题

思考题22：动脑题

词条12：雅可比矩阵与多元微积分的连接

官方解释

兔狲老师解释

思考题23：动手题

思考题24：动脑题

兔狲学院小结：线性代数知识链