简介这是一份基于MIT公开课整理的线性代数学习笔记覆盖从方程组几何解释、矩阵消元、LU分解、四个基本子空间到投影与最小二乘、Gram-Schmidt正交化、特征值与特征向量、SVD等核心专题内容循序渐进适合正在学习线性代数、准备考研或需要巩固数学基础的理工科学生对照课程同步复习。资源为单个PDF文件压缩包大小约506KB便携易读可配合MIT课程视频使用。已有1073人学习下载。笔记以要点归纳为主兼顾公式推导与几何直观能帮助读者快速抓住知识主线并在后续学习中作为框架性的速查资料。 很多人学线性代数是被教材劝退的——满页的定理、证明和行列式展开背完就忘更不知道这些符号到底能干什么。我大学时也深受其苦直到后来在MIT公开课里遇见Gilbert Strang的线性代数18.06才第一次觉得这门课不是用来折磨人的而是用来解释世界的。Strang教授用一套极其清晰的几何视角把矩阵、向量空间、特征值这些东西讲成了有因果的故事。也因为如此我后来在整理自己的线性代数笔记PDF时才能把视频、讲义和自己的推导真正融成一套知识系统。这篇博文就来聊聊这份笔记背后的学习路径这门课为什么值得反复看核心知识框架该怎么搭我是怎么把视频课整理成可复用的PDF笔记以及那些只有踩过坑才会注意到的细节。适合正在被线代折磨的学生以及需要回头补数学基础的工程师和数据从业者参考。1. Strang的讲法为什么能让普通人真正听进去1.1 课程逻辑是“先几何后计算”而不是“先定义后定理”传统教材往往从行列式讲起一上来就是代数余子式、克拉默法则学了半天还不知道行列式到底在描述什么。Strang完全反着来他在课程前几讲的中心始终是 Axb一个二元方程组每个方程就是平面上的一条直线解是两条直线的交点放到三维每个方程是一个平面解可能是平面交出的直线或点。这种讲法让线性方程组第一次有了画面感而不是一堆待机械消元的数字。更关键的是Strang不断切换视角除了“行视角”还要你用“列视角”看矩阵乘法把Ax理解为A各列的线性组合。这一个转折看似简单实际上是把学生从“算数思维”拽进“空间思维”的钥匙。理解了列组合后面列空间、零空间、秩这些概念就有了天然的落脚点。我笔记里专门用两页纸对比这两种视角后来每次复习都有新的体会。1.2 全程贯穿“矩阵分解”这条主线越到后面越清晰Strang课程的另一个高明之处是把整门课浓缩成几个重要的矩阵分解。我在笔记开篇就列了一张表之后每学一个阶段就回来看一眼这张表分解形式名称核心含义ALU消元分解把高斯消元的全部过程记录成下三角和上三角矩阵AQR正交化分解把矩阵的列规范为一组正交基SQΛQ^T对称矩阵谱分解对称矩阵可以通过正交特征向量对角化AUΣV^T奇异值分解任意矩阵都可以拆成旋转-拉伸-旋转为什么分解这么重要因为矩阵的本质是线性变换分解就是把一个复杂的复合变换拆成若干个简单步骤。消元不是“为了算而算”它是在把A的信息结构化成L和U特征值分解把A^k变成Λ^k一次复杂的矩阵幂运算立刻变成标量幂运算矩阵的长期行为一目了然SVD则是课程的压轴把一切矩阵都纳入同一个框架。1.3 这堂课配套的资源体系也值得认真利用MIT的OpenCourseWare网站提供了18.06的完整视频、讲义、作业题和往届考试题。视频大概34讲每讲约50分钟。我的建议是不要一口气刷完最好按“看一讲、记一讲笔记、做一讲习题”的节奏推进。Strang的课讲得流畅很容易让人产生“全听懂了”的错觉但真正动手做题时才会发现漏洞。后面第4章我会详细说这个坑。2. 这份笔记里我反复标注最多的几个核心概念2.1 四大子空间线性代数真正的地图Strang在课程中段会画一张非常重要的“地图”任何m×n矩阵A都定义了四个基本子空间。我笔记里这一页的折痕最重因为它几乎串联起后半门课的所有内容。子空间定义维度它回答的核心问题列空间 C(A)A各列的线性组合rb在什么情况下能被A表示零空间 N(A)Ax0的全部解n-r解的“自由度”有多大行空间 C(A^T)A各行的线性组合rA的行向量张成了什么空间左零空间 N(A^T)A^T y0的全部解m-r哪些左乘向量会被A压扁这四个子空间两两正交维度又满足漂亮的守恒关系列空间维数等于行空间维数等于秩零空间和列空间的维度加起来正好等于列数。这种“秩-零化度定理”在信息论、控制论和数据科学里反复出现。我建议读者在做笔记时一定要亲手画一张“四格图”把四个子空间的位置关系画出来这比抄十遍定义都有用。2.2 投影与最小二乘从纯数学迈向真实应用很多初学者学到投影就卡住了因为投影看起来“只是把向量摔到平面上”。但实际上它是整个应用数学的枢纽。当Axb无解也就是b不在列空间里时退而求其次我们希望找一个x让Ax尽可能接近b。这个“尽可能接近”的数学语言就是把b投影到列空间上然后求解投影后的方程。投影矩阵是PA(A^T A)^(-1)A^T。这个公式我在笔记里单独用红框标了出来因为后面一大串内容都建立在它上面最小二乘解满足A^T AxA^T b回归分析里拟合一条直线 yaxb本质上就是做一次最小二乘投影数据科学里做线性模型底层也是这套机制。理解了投影你再看机器学习里的损失函数和正规方程就不会觉得那是天外飞仙了。2.3 特征值与对角化判断矩阵长期行为的“体检报告”特征值这块传统的学法很容易变成“求根训练”解det(A-λI)0算出几个λ然后就结束了。Strang强调的是特征值必须和特征向量放在一起理解Axλx的意思是在x这个方向上A只做缩放不改变方向。特征值就是那个缩放倍数。真正让特征值有威力的是对角化如果能找到n个线性无关的特征向量那么ASΛS^(-1)从而A^kSΛ^k S^(-1)。这个式子解释了马尔可夫矩阵为什么最终会趋于稳态Fibonacci数列为什么可以用矩阵幂求出通项也解释了差分方程和微分方程解的长期形态。我在笔记里专门把“可对角化的条件”单列了一节重特征值可能导致特征向量不够这时候矩阵不可对角化。很多人只记公式不记条件考试一遇到重根就翻车。2.4 SVD把矩阵拆给所有现代应用看SVD是18.06课程真正的压轴。Strang在前面的课里积累了大量直觉最后用AUΣV^T一锤定音任何矩阵不管是不是方阵不管是否满秩都可以分解成正交矩阵U、对角阵Σ和正交矩阵V^T的乘积。它的几何含义是先旋转再沿坐标轴拉伸再旋转。重要性怎么强调都不过分。PCA主成分分析本质上是对数据矩阵做SVD然后取最大的几个奇异值对应的方向图像压缩可以丢弃小奇异值来逼近原图推荐系统里的潜在因子模型也和SVD思想一脉相承。特征值分解只对可对角化方阵有效SVD却对任意矩阵都有效这就是它能在工程和机器学习界“通吃”的原因。3. 把一套公开课视频变成PDF笔记的完整流程3.1 第一遍看视频手写草稿拒绝完美主义很多人一开始就想着用LaTeX边听课边排版结果手忙脚乱讲课内容反而没听进去。我的做法是第一遍观看时只用普通纸笔快速记录推导链条和关键例题字迹潦草也没关系重点是跟上Strang的思路。遇到听不懂的地方我会在页边画一个大问号然后继续往下听不纠结。这种“草稿笔记”的价值在于捕捉课堂推导的原始过程。比如Strang讲消元时不是直接给你ALU而是从实际的消元步骤中推导出L和U的形式如果你只抄结论就会错过“为什么L的对角线全是1”这种关键细节。手写能逼着你的大脑跟着推导走而不是当打字员。3.2 第二遍整理按主题重组而不是按视频顺序平铺第一遍笔记全部看完之后我开始第二遍整理。这里有一个重要思路不要按Lecture 1、Lecture 2的顺序平铺而要按主题重组。我最终PDF的目录大致分为线性方程组与消元、向量空间与子空间、正交性与最小二乘、特征值与矩阵分解、SVD与现代应用。这样整理之后复习时是在“找概念”而不是“翻视频回忆”。工具链上我用的方案是Markdown LaTeX数学公式 Pandoc导出PDF。具体是这样用VS Code写Markdown数学公式用LaTeX语法插图先用GeoGebra验证几何关系再导出为SVG或PDF插入文档最后用Pandoc转换成带书签的PDF。如果你不用Markdown直接用Overleaf写LaTeX也可以但是学习成本会高一些。个人更推荐Markdown起步因为门槛低而且公式和文字能分离后期想改成博客也非常方便。3.3 作图与可视化把抽象关系变成“一眼就懂”的图线代笔记的质量高低很多时候取决于图。Strang讲课板书里画满了子空间关系图我整理笔记时也做了大量图其中最有价值的有三张四个子空间的关系图、投影几何示意图、SVD的旋转-拉伸-旋转示意图。图不是装饰而是另一种表达方式——文字描述“零空间和行空间正交补”可能要写三行但一张图就能让人记住。如果你不熟悉TikZ绘图用GeoGebra先画好再导出图片也行。我的经验是画图不要一上来就追求三维渲染先严格理解二维情形。比如画投影先在平面上画一条直线和一个向量标出投影向量和误差向量然后问自己误差向量为什么垂直于平面这个问题想明白投影矩阵公式就再也忘不掉了。3.4 给PDF做好目录、书签和关键词索引到这里一份笔记还只是“内容完整”要想让它变成可以反复查阅的工具还需要做三件事第一每个章节的标题要同时标出主题和对应的Lecture编号比如“四大子空间对应Lecture 10-12”第二导出PDF时一定要生成层级分明的书签一级目录是主题二级是小节三级是常见错误或典型例题第三在文末做一个关键词索引把“秩”“列空间”“正交”“可对角化”等词出现的位置整理出来。这一步看起来琐碎但它决定了你的笔记是“写完就吃灰”还是“每次用都顺手”。我自己的这个PDF现在仍然保留在电脑里工作里遇到矩阵分解或最小二乘的问题直接打开书签搜索几分钟就能定位到相关定义和例子。4. 刷完视频整理了笔记我还是踩过的几个坑4.1 被行变换的计算带偏忘了消元只是手段踩坑表现刷完前几讲之后我一度觉得线性代数就是“高斯消元大赛”做题时闷头化简矩阵算得飞快但别人一问“秩是什么”“主元个数和零空间维度什么关系”就答不上来。问题的根源在于消元是获得信息的手段而信息本身是主元个数、秩、可逆性以及ALU这个结构性分解。如果只练操作、不问目的后面的子空间理论就变成了无源之水。我的纠偏办法是每做完一道消元题强迫自己回答三个问题——矩阵的秩是多少有几个主元零空间的维数是多少一开始很别扭慢慢就会发现这三个问题其实是一件事的不同侧面。这个过程也让笔记里的“秩与零化度”那节变得非常扎实。4.2 特征值当成求根游戏没把特征向量当回事第二坑是在特征值章节。我一度只要解出det(A-λI)0的根就觉得自己会了结果做马尔可夫矩阵的课后题时直接懵了特征值1算出来了可是稳态向量怎么求其实就是把λ1代回(A-λI)x0解出对应的特征向量。这个操作不复杂但如果脑子里没有“特征值-特征向量是一对”的概念就根本想不到。另一个容易忽略的是重特征值带来的退化问题。单位矩阵的所有特征值都是1但它有无数个特征向量而某些矩阵虽然特征值不重复但特征向量也不一定直观。我在笔记里做了一张小表分别列出可对角化、不可对角化、对称矩阵三种情况配合例题理解。这样再遇到相似矩阵、Jordan标准型这些内容时就有心理准备了。4.3 跳过SVD等真正用的时候再回来补课说实话我第一遍刷完这门课时SVD部分理解得很浅。当时觉得“奇异值分解不就是特征值分解的推广吗”没有花心思琢磨U和V的列向量到底代表什么。结果后来看PCA和压缩感知相关的内容发现满篇都是SVD才不得不回头重新学。这轮复习我意识到SVD和特征值虽然形式上接近但用途完全不同。V的列是A^T A的特征向量U的列是AA^T的特征向量Σ里的奇异值分别是它们特征值的平方根。理解了这层关系SVD就不再是三个矩阵的随机组合而是一套把“行空间-零空间”和“列空间-左零空间”全部连起来的大统一工具。现在如果让我提一条建议我会说特征值学完之后一定要趁热打铁把SVD吃透别给未来的自己留作业。4.4 只刷视频不做题尤其是跳过MIT的原版作业最后一个坑最早出现也最隐蔽。Strang讲课太流畅了加上字幕和暂停功能很容易让人产生“我听懂了”的错觉。我第一遍刷到第20讲左右时感觉一切尽在掌握随手翻开一道课后题却发现根本不知道从哪里下手越基础的题越容易卡住。后来我强制自己回到MIT OCW网站把配套的Problem Sets按每两周一套的节奏做完了。这些题目质量极高既有基础计算也有不少需要动脑的概念题。做题时我给自己立了规矩不看解析不边看答案边写步骤错题整理进笔记PDF并在目录里单独标注“易错”。回头看真正让线性代数在脑子里生根的不是视频而是这些硬碰硬的练习。5. 笔记完成之后我是怎么让它继续增值的5.1 把每一讲压缩成“一句话要点”用于随时自测整理完PDF后我在每章开头加了一段“一句话要点”。比如第7讲的要点是“Ax0的关键是把自由变量当作参数主元变量随之确定”第21讲是“特征向量在变换前后方向不变特征值就是那个方向的伸缩倍数”。复习的时候我先看这句话然后合上笔记试着用自己的话把这一讲展开讲清楚。如果能讲明白说明这章基本过关如果讲不出来就回去翻对应的例题和图。这个方法最初是我用来做“考前速览”的后来发现它比任何思维导图都更能暴露知识漏洞。它把笔记从“信息存储”变成了“自我测试工具”一本PDF也就真正活了起来。5.2 把高频错题和关键定义做成Anki卡片另一件让我受益的事是把笔记里的高频错题、关键定义、易混结论做成了Anki间隔重复卡片。每天花10到15分钟过一遍内容不多但坚持下来效果惊人。卡片不要直接抄定义最好自己做成填空题或“判断对错”的形式。比如“任意矩阵都能做特征值分解——对还是错”答案是否定的必须加上“可对角化方阵”这个条件。这种主动回忆比反复阅读笔记有效得多。5.3 后续延伸线代这棵树的枝叶往哪里长学完18.06之后这张知识地图的很多枝杈都值得继续探索。想做机器学习的同学可以接着看PCA、矩阵分解在推荐系统里的应用、神经网络里的反向传播如何依赖矩阵求导这些内容的核心底座就是最小二乘、特征值、SVD。想做科学计算和工程仿真的可以进入数值线性代数学习条件数、迭代法、大规模稀疏矩阵求解你会发现Strang一直强调的“矩阵分解思维”正是数值计算的灵魂。想搞信号处理和图像处理的则可以从线性变换的角度重看傅里叶变换Strang在复数矩阵与快速傅里叶变换那一讲其实已经埋下了种子。我到现在还留着这份笔记PDF偶尔写代码遇到矩阵分解的疑问会直接打开查一查。学线性代数最值钱的不是记住了多少公式而是脑子里存了一幅空间图像以及一套“先看结构、再上计算”的思考方式。希望你也愿意花时间亲手做一份这样的笔记它会在你日后很多意想不到的地方悄悄帮上忙。本文还有配套的精品资源点击获取