线性代数

核心问题：如何用线性结构来表示、变换与压缩信息？

线性代数并不是关于"算矩阵"，而是关于：

一、线性代数的整体认知地图

线性代数的三大核心问题
├── 表示（Representation）
│   ├── 向量
│   ├── 向量空间 / 子空间
│   ├── 基、维度、秩
│
├── 变换（Transformation）
│   ├── 线性映射
│   ├── 矩阵（映射的坐标表示）
│   ├── 核空间 / 像空间
│
└── 优化与压缩（Optimization & Compression）
    ├── 投影
    ├── 最小二乘
    ├── PCA
    ├── SVD

稳定认知：所有后续方法，都是在这三类问题中反复出现的不同形式。

二、表示世界：向量与向量空间

2.1 向量的本质

向量不是“数组”，而是可以进行线性组合的抽象对象。

向量的核心价值在于：

这使得向量成为：

数学上，一个向量是一组有序标量： [ \mathbf{x} = (x_1, x_2, \dots, x_n) ]

2.2 向量空间：为什么不是任意集合

向量空间 = 允许线性运算的世界。

设标量域为 (F)，若集合 (V\subseteq F^n) 满足：

则称 (V) 是 (F) 上的向量空间。

第一性原理解释：

2.3 子空间：结构中的结构

子空间不是子集，而是保留线性结构的子集。

若 (U \subseteq V)，且 (U) 本身仍是向量空间，则 (U) 为 (V) 的子空间。

子空间的意义在于：

2.4 度量、长度与角度：几何结构的引入

向量本身只是代数对象， 一旦引入距离或内积，就获得了几何意义。

距离（相似度的不同假设）

距离的选择，本质是对“世界几何形态”的假设。

内积与夹角

内积定义了：

[ \cos(\theta) = \frac{\langle x, y \rangle}{|x||y|} ]

这是后续投影、最优化、PCA的基础。

三、表示能力的极限：线性无关、基与维度

3.1 线性无关：冗余的判别标准

一组向量 ({v_1, \dots, v_n}) 若满足： [ a_1v_1 + \cdots + a_nv_n = 0 \Rightarrow a_1=\cdots=a_n=0 ]

则称其线性无关。

本质：没有向量是“多余的”。

3.2 基：最小且完备的表达系统

基 = 最小生成集 + 唯一坐标表示。

任意向量空间都存在基，且：

这个数量称为：维度。

3.3 秩：矩阵的表达能力

矩阵的秩 =

秩衡量的是： 一个线性系统最多能表达多少独立信息。

四、改变视角：线性映射与矩阵

4.1 线性映射的本质

线性映射描述的是： 结构保持的变化。

映射 (f: V \to W) 若满足：

则称为线性映射。

4.2 矩阵：线性映射的坐标表示

矩阵不是数表，而是映射在某组基下的表示。

一旦选定基：

4.3 核空间与像空间

它们揭示了：

五、仿射空间：引入“位置”的线性世界

向量空间关心方向，仿射空间关心位置。

仿射空间 = 向量空间 + 平移

[ L = x_0 + U ]

这是：

的统一抽象。

六、求解与优化：线性系统与最小二乘

6.1 高斯消元：解的结构分析

高斯消元的意义不在“算解”，而在：

6.2 最小二乘：投影思想

最小二乘的本质： 把观测投影到可解释的子空间上。

这引出了：

七、压缩与表示最优性：PCA 与 SVD

7.1 PCA 的第一性原理

PCA 的问题不是“怎么降维”，而是： 在哪个坐标系下，信息最集中？

PCA 做的事情：

7.2 SVD：最一般的线性分解

SVD 揭示了任意矩阵的本质结构。

[ A = U \Sigma V^T ]

它统一了：

7.3 PCA 与 SVD 的统一视角

维度 PCA SVD
出发点 协方差 原矩阵
本质 正交投影 最优低秩分解
目标 信息集中 结构分离

二者本质上都是： 在所有子空间中寻找最优表示。

八、线性代数的长期价值

线性代数不是工具箱，而是：

一旦理解其抽象结构， 具体算法只是自然推论。

结束语：

学线性代数，不是为了记住公式， 而是为了获得一种线性看世界的能力。

关联内容（自动生成）