值不值得学：先搞清它解决什么问题

很多写代码的人对线性代数的印象，停留在大学时算行列式、求逆矩阵的枯燥步骤里，等到做机器学习、数据分析或图形处理时，才发现底层逻辑完全没通。这门课就是冲着这个断层来的。它不要求你死磕抽象证明，而是把矩阵、向量、空间变换拆解成程序员能看懂的几何动作和运算逻辑。当你遇到推荐系统降维、网页排序或数据特征压缩时，不用再盲目调库，能看懂参数背后的空间结构变化。如果你正准备往算法或数据方向转，但一碰到底层数学就发虚，这课能帮你补上这块认知短板。

资料怎么用：先看哪几块，怎么配合练习

这套资料的核心线索是从向量空间一步步推到线性变换和矩阵运算。建议别按顺序从头死磕，先抓两个重点：第一块是向量的线性组合与张成空间，这决定了你能不能理解后续的维度概念；第二块是线性变换与矩阵乘法，这是整门课的骨架，把伸缩、旋转、剪切这几个几何动作和代码里的矩阵乘法对应起来，很多公式就活了。行列式和逆变换那部分，重点看几何意义，别去背计算口诀。看资料时务必开个编辑器，把课里提到的变换矩阵自己敲一遍，用基础库跑几个向量乘法，观察输出结果。光看不练，换个业务场景照样懵。

学完能独立做什么

啃完这些内容，你不会再把矩阵当成一堆数字的表格，而是能把它当作对空间的挤压和映射。具体到工作里，你能独立看懂主成分分析法（PCA）的降维逻辑，明白它怎么通过矩阵运算保留数据的主要特征；碰到奇异值分解（SVD）时，能清楚它如何把复杂矩阵拆解成几个基础变换的叠加，进而用在数据压缩或协同过滤上。哪怕是PageRank这种网页排序算法，你也能从线性代数的视角看懂它怎么通过矩阵迭代算出权重。这套底子打扎实后，再去读开源算法库的源码或推导机器学习公式，就不会一直在门外打转了。


1.掌握线性代数的本质；2.掌握主成分分析法、矩阵的SVD分解、PageRank网页排序算法

课程目录

*   01 课程导学/

  *   01 线性代数的研究内容和学习误区

  *   02 线性代数有什么用

*   02 向量/

  *   01 对向量的再认识

  *   02 向量的线性组合与张成的空间

  *   03 线性相关与线性无关

*   03 线性变换/

  *   01 矩阵和向量的乘法

  *   02 常见的线性变换（伸缩、旋转、剪切）

  *   03 初识视角变换

*   04 矩阵的乘积/

  *   01 两个线性变换的相继作用

  *   02 向量的内积和外积

*   05 行列式/

  *   01 行列式的几何意义

  *   02 行列式为零的含义

*   06 矩阵的逆/

  *   01 逆变换的几何意义

  *   02 从线性变换角度讨论线性方程组是否有解

*   07 基变换/

  *   01 认识不同的坐标系视角

  *   02 同一个向量在不同坐标系视角的转换

  *   03 相似矩阵究竟是哪里相似

*   08 特征值与特征向量/

  *   01 特征值为什么叫特征值

  *   02 如何计算矩阵的n次幂

  *   03 矩阵的特征分解

*   09 线性拟合/

  *   01 最小二乘法

  *   02 补充知识：标量对向量的导数

  *   03 线性拟合的矩阵和向量形式

  *   04 线性拟合的python实现

*   10 主成分分析/

  *   01 补充知识-协方差与相关系数

  *   02 补充知识：协方差矩阵、标准正交基

  *   03 主成分分析的具体步骤

  *   04 基于python实现主成分分析

*   11 矩阵的奇异值分解及应用/

  *   01 矩阵奇异值分解的推导过程

  *   02 用Python实现基于SVD的图像压缩

  *   03 用python实现基于SVD的推荐系统计算

  *   04 从另一个角度理解奇异值

*   12 PageRank算法与网页排序/

  *   01 PageRank算法产生的背景和基本思路

  *   02 模型的建立

  *   03 用迭代法实现PageRank算法求解

  *   04 模型再改进