跳到主要内容

学前导读：线性代数这章到底在学什么

先别急着背公式

对新人来说，这一章最重要的不是证明定理，而是先建立一张地图：

  1. 为什么 AI 里到处都是向量和矩阵
  2. 这四节课之间是什么关系
  3. 学到什么程度就足够支撑后面的机器学习和深度学习

学习目标​

  • 知道线性代数这章在整套课里的位置
  • 看懂“向量 -> 矩阵 -> 特征值 -> 线性变换”的关系
  • 知道新人该重点掌握什么、哪些内容先求直觉就够
  • 在正式进入公式前，先建立 AI 场景里的使用感

一、为什么 AI 里到处都是线性代数？​

因为 AI 的很多对象，本质上都可以表示成“数字数组”，而线性代数就是研究这些数字数组如何表示、如何变换、如何比较的一套语言。

AI 场景你看到的对象在线性代数里怎么看
一条用户数据年龄、收入、城市等级、活跃度一个向量
一批样本很多条用户数据堆在一起一个矩阵
文本向量检索查询和文档谁更像向量相似度
神经网络一层输入乘权重再加偏置矩阵乘法
PCA 降维压缩特征又尽量少丢信息特征值和特征向量

所以你可以把这一章理解成：

  • 向量：学会描述一个对象
  • 矩阵：学会同时处理一批对象，或者对对象做变换
  • 特征值：学会找到“最重要的方向”
  • 向量空间：学会从更高视角理解维度、基和变换

二、这一章四节之间是什么关系？​

你可以把整章压缩成一句话：

先学会把数据写成向量，再学会用矩阵批量处理向量，最后学会从这些变换里找出最重要的结构。

三、新人最应该怎么学这一章？​

3.1 第一步：先把向量学明白​

你最少要弄懂这些事：

  • 向量就是一串有序数字
  • 向量长度、点积、余弦相似度分别在衡量什么
  • 为什么 RAG、推荐系统、词向量都会用到相似度

3.2 第二步：再把矩阵当成“批量处理机器”​

你最少要弄懂这些事：

  • 一批样本堆起来就是矩阵
  • 矩阵乘法其实就是“行和列做点积”
  • 为什么神经网络一层可以写成 X @ W + b

3.3 第三步：把特征值当成“特殊方向”​

你最少要弄懂这些事：

  • 大多数向量被矩阵作用后，方向会变
  • 但有些特殊方向只会被拉长或缩短
  • PCA 就是在找数据变化最大的那些方向

3.4 第四步：把向量空间当成加深理解的选修​

这一节更像“把前面学过的内容抬高一个视角”。

如果你当前目标是尽快学机器学习和深度学习，可以先把：

  • 线性无关
  • 基
  • 维度
  • 线性变换

理解到“会解释、会用代码验证”的程度，再继续往后走。

四、学这一章最常见的误解​

  • 误以为线性代数就是一堆公式，其实它首先是描述数据和变换的语言
  • 误以为看不懂证明就学不会 AI，其实先看懂图和代码已经很有价值
  • 误以为数学和代码可以分开学，其实一分开就很容易越来越虚
  • 误以为高维向量画不出来就无法理解，其实二维图只是帮助建立直觉

五、先跑一个贯穿整章的最小例子​

下面这段小代码，几乎把这一章的主线都串起来了：

  • 一条样本是向量
  • 多条样本堆起来是矩阵
  • 和权重做点积可以得到打分
  • 一批样本和权重矩阵相乘可以一次算出多组结果
import numpy as np

student = np.array([90, 85, 92])
print("单个学生向量:", student)

students = np.array([
    [90, 85, 92],
    [70, 88, 75],
    [95, 91, 89],
])
print("样本矩阵形状:", students.shape)  # (3, 3)

weights = np.array([0.4, 0.2, 0.4])

single_score = student @ weights
print("单个学生综合分:", round(single_score, 2))

all_scores = students @ weights
print("所有学生综合分:", all_scores.round(2))

六、学完这章后，你至少应该会什么？​

  • 看到一条数据，知道它可以写成向量
  • 看到一批数据，知道它可以写成矩阵
  • 看到点积，知道它在衡量什么
  • 看到矩阵乘法，知道它是在做批量变换
  • 看到特征值，知道它和 PCA、主方向有关