这门课解决什么问题
很多做数据分析和工程开发的人，在工作一段时间后会撞到同一堵墙：能调用现成的机器学习库跑通模型，但一旦遇到算法调优、损失函数推导，或者看深度学习论文里的公式，就会卡在底层的数学逻辑上。这门线性代数课就是针对这个断层设计的。它不讲考研式的定理证明，而是直接对应机器学习里的真实场景，比如用点积和范数理解相似度计算，用线性变换看懂神经网络的权重更新，用矩阵乘法拆解特征提取过程。如果你经常对着代码里的矩阵运算结果感到困惑，或者想从“调包侠”过渡到能看懂算法原理，这门课能帮你把缺失的那块拼图补上。
适合什么基础与建议学习顺序
资料对基础的要求很克制，只要具备高中水平的代数知识就能跟上，不需要提前学过微积分。课程从向量这个最基本的概念切入，逐步过渡到矩阵运算和空间理论，整体节奏偏慢但逻辑紧凑。如果你是零基础，建议严格按顺序看，尤其是前八节关于向量运算和距离角度的内容，这是后续所有机器学习算法的基石。如果已有一定基础，可以直接跳到线性方程组和线性变换这两块，它们是理解主成分分析和卷积运算的核心。资料里的视频每段都在十分钟左右，不要只是被动看完，遇到范数计算或矩阵乘法的推导时，务必暂停视频，自己在纸上手算一遍，确认能复现每个步骤再往下走。
学完能独立做什么
完整学完后，你不会立刻就能写出复杂的底层算法框架，但能获得一种关键的“读码能力”。当你再面对高级统计方法或深度学习算法时，能看懂其中的矩阵公式在几何上代表什么变换，理解为什么损失函数要这样设计，以及梯度下降在空间中是如何移动的。具体到工作场景，你能独立推导简单的线性回归公式，看懂特征分解和奇异值分解在数据降维中的物理意义，而不是把它们当成黑盒。配合资料里的推导练习，把每个矩阵运算的例子都在本地用代码实现一遍，你会发现原本生硬的数学符号，最终都能对应到具体的代码逻辑上，这是向算法工程或数据建模岗位转型的底层底气。
学完后能看懂高级统计方法、机器学习和深度学习算法中的线性代数内容。
课程目录
* 01 向量（上）.mp4 13:09
* 02 向量（下）.mp4 07:55
* 03 向量加法和标量乘法.mp4 07:02
* 04 线性组合、仿射组合和凸组合.mp4 05:00
* 05 矩阵.mp4 12:57
* 06 矩阵加法和向量乘法.mp4 04:22
* 07 点积和范数.mp4 10:47
* 08 距离和角度.mp4 14:12
* 09 线性函数和仿射函数.mp4 07:21
* 10 线性方程组.mp4 13:12
* 11 线性相关和无关.mp4 06:19
* 12 线性变换.mp4 08:54
* 13 矩阵乘法及其相关运算.mp4 07:40
* 14 分块矩阵.mp4 12:58
* 15 矩阵逆.mp4 06:43
* 16 向量空间.mp4 18:54
* 17 基和坐标系.mp4 15:58
* 18 空间维度和矩阵秩.mp4 08:18
* 19 基变换.mp4 03:44
* 20 矩阵的左右逆.mp4 06:44
* 21 矩阵的MOORE-PENROSE (MP)逆.mp4 08:04
* 22 MP逆和线性方程组的解.mp4 08:59
* 23 特征值和特征向量.mp4 09:50
* 24 矩阵对角化.mp4 08:17
* 25 向量空间的线性变换.mp4 19:06
* 26 正交集.mp4 05:07
* 27 正交投影.mp4 12:07
* 28 逼近定理和最小二乘.mp4 08:09
* 29 正交对角化.mp4 05:14
* 30 二次型和正定矩阵.mp4 15:17
* 31 二次型极值定理.mp4 09:36
* 32 奇异值分解（SVD）.mp4 14:12
* 33 Kronecker积和矩阵向量化.mp4 05:10
* 34 标量函数、向量函数和矩阵函数.mp4 12:46
* 35 函数可微性、微分和导数（上）.mp4 09:03
* 36 函数可微性、微分和导数（下）.mp4 14:34
* 37 链式法则、雅可比矩阵和黑森矩阵.mp4 09:50
* 38 矩阵导数原理.mp4 09:31
* 39 矩阵导数实例讲解.mp4 13:47
* 40 随机向量.mp4 09:16
* 41 协方差矩阵.mp4 11:13
* 42 均值向量和协方差矩阵的估计.mp4 12:04
