课程总论

线性代数总论

以空间变换为主线梳理线性代数。内容从向量空间出发，依次讨论矩阵、行列式、特征值与 SVD。

Core Logic

• 01从向量到空间
• 02矩阵与变换
• 03特征值与特征向量
• 04SVD 分解

线性空间

矩阵变换

行列式

特征分解

奇异值分解 (SVD)

为什么学习线性代数？

线性代数可以从方程组、向量空间和线性变换三个角度学习。本页按“向量空间—矩阵—行列式—特征值—SVD”的顺序整理课程内容。

教学模块

1. 线性空间与向量 (Vectors & Spaces)

• 几何直观：理解线性组合、张成空间（Span）与基（Basis）。
• 主要概念：抽象向量空间、子空间、线性无关性。

2. 矩阵与线性变换 (Matrices as Transformations)

• 思维转换：矩阵乘法不只是行乘以列，也可以看成基和坐标的变换。
• 主要重点：行列式的面积/体积意义、逆矩阵的变换恢复。

3. 行列式与方程组 (Determinants & Linear Systems)

• 交互专题：克拉默法则的几何直观：通过拖拽右端向量，理解 $x_1=D_1/D$ 与 $x_2=D_2/D$ 的面积比值来源。
• 主要重点：行列式可以用来判断列向量张成能力与方程组唯一解。

4. 特征值与奇异值 (Eigenvalues & SVD)

• 几何意义：寻找在线性变换下方向不变的向量。
• 实战应用：奇异值分解 (SVD) 在图像压缩与数据降维中的应用。

学习资源与下载

线性代数期末总复习资料下载

关注微信公众号「数学思维探究社」，回复“线性代数”获取四位数字下载码。

---

推荐资源

• Gilbert Strang, Introduction to Linear Algebra：MIT 公开课配套教材，适合系统学习线性代数。
• 3Blue1Brown, Essence of Linear Algebra：视频系列，适合配合几何图像理解矩阵与线性变换。
• 可视化辅助：建议配合 Python 的 Numpy 和 Matplotlib 进行矩阵运算验证。

下一章：深度探索

克拉默法则：面积比值直观

通过交互图形理解行列式替换列与线性方程组求解。