简介这是一份根据MIT公开课线性代数课程整理的学习笔记面向正在学习高等数学、矩阵论或准备考研、竞赛及机器学习基础的高校学生与自学者。笔记以16个专题串联向量空间、矩阵分解、正交投影、特征值与对角化等核心知识覆盖从目录方程组几何解释到Gram-Schmidt正交化、SVD与线性变换等内容适合用来建立线性代数的整体框架并对照课程复习。资源为单个PDF文件体积约506KB便携易用可导入平板或打印阅读。目前已有1074人学习浏览内容虽精简但脉络清楚每节按知识点展开并附有公式与推导要点能帮助读者快速定位薄弱环节、巩固课堂所学。1. 这份线性代数笔记为什么值得你从头啃一遍如果你学线性代数的方式是“背公式、刷行列式、考试完就还给老师”那这份“MIT公开课-线性代数笔记.pdf”很可能颠覆你的认知。它不是一本习题册也不是满屏定理堆砌的教材而是围绕“几何直觉”展开的一套讲解——把向量、矩阵、空间、变换讲成看得见摸得着的东西。我见过太多人栽在同一个坎上行列式算得飞快但问到“零空间到底在描述什么”就语塞。笔记要解决的正是这个“算得出但说不明白”的痛点。适合三类人正在自学线代的初学者、准备考研但被抽象概念卡住的人、工作后需要回炉线性代数基础的技术从业者。2. 笔记的知识骨架从向量空间到奇异值分解拿到一份PDF笔记最忌的就是从头到尾“读小说式”扫一遍读完什么也没留下。这章先把这套公开课最常见的知识编排拆开让你知道哪几章是骨架、哪几章只是血肉以及为什么这个顺序很重要。2.1 向量与矩阵的直觉比机械运算更重要许多教材第一课先教行列式展开这套公开课的顺序恰好相反——从向量开始用几何方式看待矩阵乘法。笔记里最该反复琢磨的一句话是Ax 的结果是矩阵 A 各列向量的线性组合。假设有一个 2×2 矩阵 A [a1, a2]其中 a1 (1, 0)、a2 (0, 1)那么 A 乘以任意向量 x (x1, x2) 的结果就是 x1·a1 x2·a2也就是把 x 的分量当作权重去合成列向量。这个念头的价值在于矩阵和向量相乘不再是一堆数字的“黑匣子运算”而是一次可视化的坐标变换。笔记里常说“列空间就是矩阵列向量张成的空间”这句话初听绕口拆开就是——矩阵的所有列向量能组合出来的全部结果落在同一个平面或空间里这就是列空间。你在做最小二乘、拟合回归时其实都在和列空间打交道。建议在笔记页边空白处写一行字“每看到 Ax就问自己——A 的列向量被我以 x 的分量为权重组合成了什么”这个习惯能把后面所有章节串起来。2.2 四个基本子空间是理解一切的钥匙这套公开课中期最核心的一块是四个基本子空间列空间、行空间、零空间、左零空间。笔记会用一张维度表把它们串起来这张表是整个线性代数的地图。表格形式大致是子空间定义维度所在空间列空间 C(A)A 的列向量的线性组合rankR^m行空间 C(Aᵀ)A 的行向量的线性组合rankR^n零空间 N(A)满足 Ax 0 的所有 xn - rankR^n左零空间 N(Aᵀ)满足 Aᵀy 0 的所有 ym - rankR^m这张表值得你手工抄一遍然后问自己一个问题为什么行空间和列空间的维度都是 rank笔记给的答案是“行变换不改变行空间也不改变零空间”但列空间却在行变换后变了。这里是最容易翻车的地方——初学者常误以为行变换不改变任何空间实际上行变换会改变列空间只是保留了行空间和零空间。真正吃透四个子空间的标准是能不看笔记画出一张“四空间关系图”Ax b 有解当且仅当 b 落在 C(A) 里Ax b 的解是某个特解加上 N(A) 中的任意向量。笔记对这块的讲解顺序是“先零空间、后列空间”我建议你自己读完后反过来整理一遍先列空间再零空间理解会更顺。2.3 特征值与奇异值分解从定义到应用到了特征值章节笔记会先用几何直觉引入。特征向量是那种矩阵作用后“方向不变、只被拉伸或压缩”的向量特征值就是那个拉伸倍数。这个说法听起来简单但绝大多数教材是用行列式方程 det(A - λI) 0 机械引入让人误以为“特征值就是解方程的根”而丢失了几何含义。实际做题时你不需要每次都手算特征值。矩阵的迹等于特征值之和行列式等于特征值之积这两条性质在选择题验证时非常有用笔记会在后面反复使用它们。奇异值分解SVD是这套笔记收获最大的部分之一。它的思想是任何矩阵都能分解成 U·Σ·Vᵀ其中 U 和 V 是正交矩阵Σ 是对角矩阵。SVD 的工程价值和特征值分解完全不同——特征值分解要求方阵且可对角化SVD 对任意矩阵都成立包括非方阵、秩亏缺矩阵。图像压缩、搜索引擎排序、数据分析里的主成分分析PCA底层算法都和 SVD 脱不开关系。笔记处理 SVD 时通常从“对称矩阵的特征值分解”出发再推广到一般矩阵。你读到这里时不妨记住一个判断如果某道题让你算矩阵的“最接近它的低秩近似”那基本就是在考 SVD 截断。能走到这一章并且自己推导一遍 AᵀA 的特征分解你对整份笔记的理解就算真正过关了。3. 把笔记读成自己的三轮阅读法与三个落地工具PDF 笔记最大的优势是可以搜索、拆页、做标注最大劣势是容易成为“收藏夹里的吃灰文件”。我常用的做法是三轮阅读法第一轮建立地图第二轮反推例题第三轮压缩提取。每轮都有对应工具实际操作不超过半小时。3.1 第一轮跟着笔记画自己的概念地图第一轮不做题只做一件事每读完一章在纸或备忘录上画一张“概念关系图”标出这一章的定义、定理、例子、几何意义四个节点以及它们之间的关系。比如读“向量空间”这一章你会得到类似下面的结构定义向量空间满足加法封闭和数乘封闭例子R² 是向量空间但第一象限不是定理子空间必须过原点几何向量空间是过原点的平面/直线/点概念地图的作用是逼你输出。如果画不出说明还没读懂回去再读一遍那一节。这轮不追求算题只追求「能用一句话说出这一章在回答什么问题」。3.2 第二轮用例题反推定理条件第二轮开始碰例题。笔记里的经典例题往往不止一个解法例如用消元法解 Ax b既有矩阵视角也有列空间视角。我的习惯是先把例题答案盖住自己用第一轮的“直觉语言”试解再对照笔记的写法。具体步骤可以这样操作把原题抄在左侧。右侧写你自己的解法哪怕是用大白话描述“先找特解再看零空间”。对照笔记答案标出解法不同处。在题号旁写一句“这题考的是哪个子空间/哪个分解”。这一步最忌讳的是“看懂答案”就翻页。看懂的假象非常普遍合上书重做一次才能暴露真实掌握度。如果重做时卡住把卡壳点精准写在题号旁比如“第二步为什么能直接把自由变量取 0 和 1”这就是你下一次复习的锚点。3.3 第三轮把笔记压缩成一页 A4第三轮在整份笔记快要读完时做把每一章压缩成 3 到 5 句话、2 到 3 个公式、1 个几何图形全部写在一张 A4 纸上。我习惯用表格来压缩比如矩阵分解章节分解适用条件核心公式一句话用途LU 分解方阵消元无换行A LU解方程、计算行列式QR 分解任意满秩矩阵A QR最小二乘、稳定求解特征值分解可对角化方阵A SΛS⁻¹矩阵幂、差分方程SVD任意矩阵A UΣVᵀ降维、伪逆、压缩压缩不是抄笔记而是用你自己的语言替换笔记语言。比如“行空间和零空间正交”可以写成“Ax 0 的解和 A 的行向量天然垂直”后者更容易留在脑子里。A4 纸做完后后面复习其实不再需要反复翻开原 PDF这张纸信息密度更高。三轮阅读中的工具操作也一并放出来。最常见的两个场景是拆分 PDF 按章节学习和提取笔记大纲。你要是用的是 macOS 或 Linux直接终端跑下面两条命令# 查看 PDF 的书签大纲快速确认章节标题与页范围 pdftk 笔记.pdf dump_data | grep -A 4 BookmarkTitle | head -n 60说明pdftk会把 PDF 的元数据导出来BookmarkTitle后面跟着的通常是书签名和页码。先跑这条确认笔记的章节划分再决定按页拆分范围。如果没有安装 pdftk可以用pdfinfo 笔记.pdf先看页数然后手动估算章节范围。# 拆出前 20 页作为独立文件方便针对第一章做批注 pdftk 笔记.pdf cat 1-20 output 第1章_向量与空间.pdf这里的cat 1-20是页范围参数output后面的文件名自己定。拆完之后你可以把第一章单独放到笔记软件里划线、加文字标注而不必每次从几百页的 PDF 里翻找。注意一个容易踩的坑如果这份 PDF 是扫描版没有文字层pdftk导出的书签可能是空的这时需要先做 OCR。我用过的最省心方案是ocrmypdf# 给扫描版 PDF 加文字层生成可搜索版本 ocrmypdf --language eng --output-type pdf 笔记.pdf 笔记_可搜索.pdf--language eng指定英文语言包--output-type pdf强制输出为可搜索 PDF。做完这步之后PDF 里的公式和文字就能被选中和搜索后面的抽取、批注才会顺手。4. 自学线性代数时的五个典型踩坑现场这章写给正在啃笔记或类似资源的读者。以下五个坑是我在不同交流群里反复看到的现象几乎每个学线代的人都至少中过两个希望你能绕开。4.1 现象看懂了讲解却做不出课后题这是最常见的情况视频和笔记都看懂了例题能跟着一步步走下来自己合上书做课后题第一问就卡住。原因是“看懂”是跟随别人的思路而“会做”需要自己选择方法这两件事用的脑区完全不同。原因在于你没有建立“题型到方法”的映射。笔记讲的是知识系统题目考的却是方法选择比如一道题既可以用行空间解释也可以用零空间求解你得自己判断哪条路更短。解决每学完一个主题立刻做 3 道不在笔记上的题不追求数量只追求“独立走到答案”。做完后在题旁标注“这类题用零空间视角最方便”积累两三轮你就会发现卡壳的次数大幅下降。4.2 现象背熟了特征值的定义却不知道它有什么用不少读者能把“特征值是满足 Av λv 的标量”背得一字不差但你问他“特征值能干嘛”他只能挤出“解方程用的”。问题出在只记忆了代数形式没有建立几何画面。特征值真正在做的事是“找到矩阵作用下最稳定的几个方向”。解决拿笔记里的旋转矩阵或对称矩阵做实验自己动手在纸上画几个向量让矩阵作用两三次观察哪些向量的方向被保持、哪些变了。画出三组例子之后“特征向量是主轴”这个直觉就落地了后面再接触主成分分析或动力系统时才不会慌。4.3 现象在不同讲义间切换符号体系彻底混乱有些人同时读这份笔记、自己学校的教材和网上的另一些讲义发现同一概念换了符号就认不出来。比如行向量写法有的是行矩阵、有的是列矩阵转置矩阵乘法有的用下标表示、有的用列向量组合表示。原因没有选定一套“主符号”。笔记从头到尾的记号是统一的你必须把笔记当默认基准其他资料只做补充不做并行阅读。解决给自己做一张“符号对照表”把笔记里的记号列出来旁边写上其他教材的不同写法。比如“Aᵀ”在别的书里可能写作“A”含义相同。符号对照表用表格放在笔记本第一页每次遇到新记号先查表不要任由它在脑子里打架。4.4 现象在行列式计算上耗费大量时间行列式章节往往是自学者的“时间黑洞”——因为练习册里堆了大量四阶、五阶行列式化简题算起来很有“成就感”仿佛自己在努力。这个方向偏了。这份笔记对行列式的定位是“可逆性的判据”和“体积的缩放系数”计算高阶行列式的工作在真实工程里早就交给了软件人的任务是理解行列式代表的几何意义而不是手算五阶展开。解决把行列式章节的学习目标限定为三点判断矩阵可逆、理解 det(AB) det(A)det(B)、知道行列式对应体积缩放。超过四阶的行列式计算一律用软件验证思路不再手算。4.5 现象把“我看完了”当成“我学会了”这是最隐蔽的坑。你会发现自己看了三章笔记、感觉一切顺滑但一周后回想连“四个基本子空间”都说不全。原因是阅读是输入行为记忆和提取是输出行为只输入不输出大脑会判定这些信息不属于重要内容并快速清空。解决用“白纸复述法”替代阅读——读完一章后合上 PDF拿一张白纸把这一章讲过的定义、定理、例题思路全部默写出来。写不出来的地方就是真实的漏洞立刻回去翻笔记补齐。这个方法表面费时间实际比反复阅读节约至少一半总时长。5. 把笔记变成复习系统错题标签、概念索引与自测清单二刷、三刷笔记时如果还是从头翻一遍 PDF效率很低。这章教你用标签体系、索引表和自测清单把静态笔记变成一套能反复用的复习系统。5.1 给笔记打上“题型 - 方法 - 易错点”标签不要只在 PDF 里画高亮。高亮只是收藏标签才是检索。我习惯每做完一道题在旁边贴三个标签题型、方法、易错点。看图容易理解实际标签长这样题号/位置题型方法易错点2.1 例题判断向量组是否线性无关构造线性组合令其为零解系数别忘了零向量参与组合时可能“假装相关”4.3 习题求矩阵的特征值先用迹和行列式验证再解特征方程重根情况容易漏另一个特征向量6.2 例题最小二乘解转成 AᵀAx Aᵀb 再求解别忘记 AᵀA 可能病态先看条件数标签的作用是让你在复习时能按“题型”而不是“章节”聚合题目。你可以用表格工具整理也可以直接在 PDF 注释里加自定义标签文本。等到考前冲刺时直接筛“易错点”字段就能把最容易失分的点集中过一遍而不必重新做所有题。5.2 按章节建立你的概念索引表笔记本身是按章节组织的但你解决问题的路径往往是跨章节的。比如一道最小二乘题用到的可能是四个子空间、正交投影、法方程三个区块的知识。因此我建议建立一张“概念索引表”把它当作整本笔记的反向映射。索引表结构如下概念笔记主要出现的章节一句话解释关联概念零空间第 3 章、第 7 章Ax 0 的所有解行空间、秩列空间第 3 章、第 8 章A 列向量张成的空间秩、可逆性特征值第 5 章、第 9 章矩阵作用后方向不变的缩放比行列式、迹奇异值第 9 章AᵀA 特征值的平方根特征值、SVD建这个表时要注意不要直接抄笔记目录而是等学到中后期用自己的话补全“一句话解释”。如果某一行你写不出解释说明这个概念还没有消化回到对应章节重读。这张表做完之后你对整门课的把握要比单纯刷题的人扎实很多因为你看到的是知识之间的连接网而不是一个个孤立的公式。5.3 一份可执行的复习自测清单自测清单和课后题不同它不对应具体题目而对应“你在离开笔记后还能不能独立回答”的能力测试。每个章节学完问自己下面这组问题能不能在 30 秒内说出这一章解决了什么问题能不能不看公式用几何语言描述核心概念能不能自己写出至少一个例题的完整解法能不能说清这个概念和上一章某个概念的关系能不能举出一个现实场景说明这个概念的应用我见过很多认真的学习者前面四个问题答得上来但第五个问题答不上来。这不丢人只是说明知识还停在纸面上。一个技巧是给自己预设“应用语境”比如学到特征值时就联想一个传播过程一个状态向量反复被矩阵作用最终会收敛到主特征向量的方向。不需要推理严谨哪怕是一个粗糙的联想也能让概念在记忆里扎根。6. 用一道改造过的老题检验你有没有真读懂最后一章给你一个验证方法拿笔记里最经典的一道例题改其中一个条件再做一遍。如果能在不翻答案的情况下推导出“条件变化后结论怎么变”说明你是真懂了而不是记住了一道题的套路。比如笔记里常见的一道题求矩阵 A 的特征值和特征向量。你可以把 A 从一个对称矩阵改成一个非对称矩阵立刻观察两个结果的变化——特征值是否仍然全是实数特征向量是否仍然正交对称矩阵保证特征值实、特征向量正交这些性质在改造成非对称矩阵后通常不成立。这个对比能同时检验你对特征值分解适用条件的理解比连做十道同类题更有效。再举个例子原题是“判断 b 是否在 A 的列空间中”你可以把 b 改成“刚好等于 A 的某一列的倍数”然后追问自己这样改之后零空间的维度会不会变、最小二乘解是否唯一。这种“轻微扰动原题条件”的做法相当于给自己出了一道没人写过的题逼迫你同时调用多个知识点。我在读完每次重啃笔记时都会拿最后几章的例题做这个“改条件”操作。有时候改完发现原有解法不再适用这意味着我对某个定理的边界条件有误解而不是题出错了。遇到这种情况回去翻笔记的相关段落后再走一遍通常印象会深到两三个月都忘不掉。你自己实践时可以按这个流程来第一步选定一个主题第二步闭眼回忆该主题的核心概念和公式第三步打开笔记找一道例题第四步改掉一个数字或条件第五步在不看原文的情况下完成解答第六步对照原题答案找出你改动之后哪里不符合原有推理框架。整个过程控制在 40 分钟以内性价比远高于重看三集视频。这套方法不只对线性代数有效读任何数学类笔记、技术手册都适用。毕竟笔记是别人的知识组织方式你只有亲手改造它、提问它它才会变成你自己的东西。希望你在读完这份笔记后再盖上 PDF 之前先用这道“改造题”给自己一个交代——这也是我对自己每一份学习资料的处理习惯希望能帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/22 11:42:41 · 阅读 1.2k MIT线性代数笔记精读：从向量空间到奇异值分解
简介这是一份根据MIT公开课线性代数课程整理的学习笔记面向正在学习高等数学、矩阵论或准备考研、竞赛及机器学习基础的高校学生与自学者。笔记以16个专题串联向量空间、矩阵分解、正交投影、特征值与对角化等核心知识覆盖从目录方程组几何解释到Gram-Schmidt正交化、SVD与线性变换等内容适合用来建立线性代数的整体框架并对照课程复习。资源为单个PDF文件体积约506KB便携易用可导入平板或打印阅读。目前已有1074人学习浏览内容虽精简但脉络清楚每节按知识点展开并附有公式与推导要点能帮助读者快速定位薄弱环节、巩固课堂所学。1. 这份线性代数笔记为什么值得你从头啃一遍如果你学线性代数的方式是“背公式、刷行列式、考试完就还给老师”那这份“MIT公开课-线性代数笔记.pdf”很可能颠覆你的认知。它不是一本习题册也不是满屏定理堆砌的教材而是围绕“几何直觉”展开的一套讲解——把向量、矩阵、空间、变换讲成看得见摸得着的东西。我见过太多人栽在同一个坎上行列式算得飞快但问到“零空间到底在描述什么”就语塞。笔记要解决的正是这个“算得出但说不明白”的痛点。适合三类人正在自学线代的初学者、准备考研但被抽象概念卡住的人、工作后需要回炉线性代数基础的技术从业者。2. 笔记的知识骨架从向量空间到奇异值分解拿到一份PDF笔记最忌的就是从头到尾“读小说式”扫一遍读完什么也没留下。这章先把这套公开课最常见的知识编排拆开让你知道哪几章是骨架、哪几章只是血肉以及为什么这个顺序很重要。2.1 向量与矩阵的直觉比机械运算更重要许多教材第一课先教行列式展开这套公开课的顺序恰好相反——从向量开始用几何方式看待矩阵乘法。笔记里最该反复琢磨的一句话是Ax 的结果是矩阵 A 各列向量的线性组合。假设有一个 2×2 矩阵 A [a1, a2]其中 a1 (1, 0)、a2 (0, 1)那么 A 乘以任意向量 x (x1, x2) 的结果就是 x1·a1 x2·a2也就是把 x 的分量当作权重去合成列向量。这个念头的价值在于矩阵和向量相乘不再是一堆数字的“黑匣子运算”而是一次可视化的坐标变换。笔记里常说“列空间就是矩阵列向量张成的空间”这句话初听绕口拆开就是——矩阵的所有列向量能组合出来的全部结果落在同一个平面或空间里这就是列空间。你在做最小二乘、拟合回归时其实都在和列空间打交道。建议在笔记页边空白处写一行字“每看到 Ax就问自己——A 的列向量被我以 x 的分量为权重组合成了什么”这个习惯能把后面所有章节串起来。2.2 四个基本子空间是理解一切的钥匙这套公开课中期最核心的一块是四个基本子空间列空间、行空间、零空间、左零空间。笔记会用一张维度表把它们串起来这张表是整个线性代数的地图。表格形式大致是子空间定义维度所在空间列空间 C(A)A 的列向量的线性组合rankR^m行空间 C(Aᵀ)A 的行向量的线性组合rankR^n零空间 N(A)满足 Ax 0 的所有 xn - rankR^n左零空间 N(Aᵀ)满足 Aᵀy 0 的所有 ym - rankR^m这张表值得你手工抄一遍然后问自己一个问题为什么行空间和列空间的维度都是 rank笔记给的答案是“行变换不改变行空间也不改变零空间”但列空间却在行变换后变了。这里是最容易翻车的地方——初学者常误以为行变换不改变任何空间实际上行变换会改变列空间只是保留了行空间和零空间。真正吃透四个子空间的标准是能不看笔记画出一张“四空间关系图”Ax b 有解当且仅当 b 落在 C(A) 里Ax b 的解是某个特解加上 N(A) 中的任意向量。笔记对这块的讲解顺序是“先零空间、后列空间”我建议你自己读完后反过来整理一遍先列空间再零空间理解会更顺。2.3 特征值与奇异值分解从定义到应用到了特征值章节笔记会先用几何直觉引入。特征向量是那种矩阵作用后“方向不变、只被拉伸或压缩”的向量特征值就是那个拉伸倍数。这个说法听起来简单但绝大多数教材是用行列式方程 det(A - λI) 0 机械引入让人误以为“特征值就是解方程的根”而丢失了几何含义。实际做题时你不需要每次都手算特征值。矩阵的迹等于特征值之和行列式等于特征值之积这两条性质在选择题验证时非常有用笔记会在后面反复使用它们。奇异值分解SVD是这套笔记收获最大的部分之一。它的思想是任何矩阵都能分解成 U·Σ·Vᵀ其中 U 和 V 是正交矩阵Σ 是对角矩阵。SVD 的工程价值和特征值分解完全不同——特征值分解要求方阵且可对角化SVD 对任意矩阵都成立包括非方阵、秩亏缺矩阵。图像压缩、搜索引擎排序、数据分析里的主成分分析PCA底层算法都和 SVD 脱不开关系。笔记处理 SVD 时通常从“对称矩阵的特征值分解”出发再推广到一般矩阵。你读到这里时不妨记住一个判断如果某道题让你算矩阵的“最接近它的低秩近似”那基本就是在考 SVD 截断。能走到这一章并且自己推导一遍 AᵀA 的特征分解你对整份笔记的理解就算真正过关了。3. 把笔记读成自己的三轮阅读法与三个落地工具PDF 笔记最大的优势是可以搜索、拆页、做标注最大劣势是容易成为“收藏夹里的吃灰文件”。我常用的做法是三轮阅读法第一轮建立地图第二轮反推例题第三轮压缩提取。每轮都有对应工具实际操作不超过半小时。3.1 第一轮跟着笔记画自己的概念地图第一轮不做题只做一件事每读完一章在纸或备忘录上画一张“概念关系图”标出这一章的定义、定理、例子、几何意义四个节点以及它们之间的关系。比如读“向量空间”这一章你会得到类似下面的结构定义向量空间满足加法封闭和数乘封闭例子R² 是向量空间但第一象限不是定理子空间必须过原点几何向量空间是过原点的平面/直线/点概念地图的作用是逼你输出。如果画不出说明还没读懂回去再读一遍那一节。这轮不追求算题只追求「能用一句话说出这一章在回答什么问题」。3.2 第二轮用例题反推定理条件第二轮开始碰例题。笔记里的经典例题往往不止一个解法例如用消元法解 Ax b既有矩阵视角也有列空间视角。我的习惯是先把例题答案盖住自己用第一轮的“直觉语言”试解再对照笔记的写法。具体步骤可以这样操作把原题抄在左侧。右侧写你自己的解法哪怕是用大白话描述“先找特解再看零空间”。对照笔记答案标出解法不同处。在题号旁写一句“这题考的是哪个子空间/哪个分解”。这一步最忌讳的是“看懂答案”就翻页。看懂的假象非常普遍合上书重做一次才能暴露真实掌握度。如果重做时卡住把卡壳点精准写在题号旁比如“第二步为什么能直接把自由变量取 0 和 1”这就是你下一次复习的锚点。3.3 第三轮把笔记压缩成一页 A4第三轮在整份笔记快要读完时做把每一章压缩成 3 到 5 句话、2 到 3 个公式、1 个几何图形全部写在一张 A4 纸上。我习惯用表格来压缩比如矩阵分解章节分解适用条件核心公式一句话用途LU 分解方阵消元无换行A LU解方程、计算行列式QR 分解任意满秩矩阵A QR最小二乘、稳定求解特征值分解可对角化方阵A SΛS⁻¹矩阵幂、差分方程SVD任意矩阵A UΣVᵀ降维、伪逆、压缩压缩不是抄笔记而是用你自己的语言替换笔记语言。比如“行空间和零空间正交”可以写成“Ax 0 的解和 A 的行向量天然垂直”后者更容易留在脑子里。A4 纸做完后后面复习其实不再需要反复翻开原 PDF这张纸信息密度更高。三轮阅读中的工具操作也一并放出来。最常见的两个场景是拆分 PDF 按章节学习和提取笔记大纲。你要是用的是 macOS 或 Linux直接终端跑下面两条命令# 查看 PDF 的书签大纲快速确认章节标题与页范围 pdftk 笔记.pdf dump_data | grep -A 4 BookmarkTitle | head -n 60说明pdftk会把 PDF 的元数据导出来BookmarkTitle后面跟着的通常是书签名和页码。先跑这条确认笔记的章节划分再决定按页拆分范围。如果没有安装 pdftk可以用pdfinfo 笔记.pdf先看页数然后手动估算章节范围。# 拆出前 20 页作为独立文件方便针对第一章做批注 pdftk 笔记.pdf cat 1-20 output 第1章_向量与空间.pdf这里的cat 1-20是页范围参数output后面的文件名自己定。拆完之后你可以把第一章单独放到笔记软件里划线、加文字标注而不必每次从几百页的 PDF 里翻找。注意一个容易踩的坑如果这份 PDF 是扫描版没有文字层pdftk导出的书签可能是空的这时需要先做 OCR。我用过的最省心方案是ocrmypdf# 给扫描版 PDF 加文字层生成可搜索版本 ocrmypdf --language eng --output-type pdf 笔记.pdf 笔记_可搜索.pdf--language eng指定英文语言包--output-type pdf强制输出为可搜索 PDF。做完这步之后PDF 里的公式和文字就能被选中和搜索后面的抽取、批注才会顺手。4. 自学线性代数时的五个典型踩坑现场这章写给正在啃笔记或类似资源的读者。以下五个坑是我在不同交流群里反复看到的现象几乎每个学线代的人都至少中过两个希望你能绕开。4.1 现象看懂了讲解却做不出课后题这是最常见的情况视频和笔记都看懂了例题能跟着一步步走下来自己合上书做课后题第一问就卡住。原因是“看懂”是跟随别人的思路而“会做”需要自己选择方法这两件事用的脑区完全不同。原因在于你没有建立“题型到方法”的映射。笔记讲的是知识系统题目考的却是方法选择比如一道题既可以用行空间解释也可以用零空间求解你得自己判断哪条路更短。解决每学完一个主题立刻做 3 道不在笔记上的题不追求数量只追求“独立走到答案”。做完后在题旁标注“这类题用零空间视角最方便”积累两三轮你就会发现卡壳的次数大幅下降。4.2 现象背熟了特征值的定义却不知道它有什么用不少读者能把“特征值是满足 Av λv 的标量”背得一字不差但你问他“特征值能干嘛”他只能挤出“解方程用的”。问题出在只记忆了代数形式没有建立几何画面。特征值真正在做的事是“找到矩阵作用下最稳定的几个方向”。解决拿笔记里的旋转矩阵或对称矩阵做实验自己动手在纸上画几个向量让矩阵作用两三次观察哪些向量的方向被保持、哪些变了。画出三组例子之后“特征向量是主轴”这个直觉就落地了后面再接触主成分分析或动力系统时才不会慌。4.3 现象在不同讲义间切换符号体系彻底混乱有些人同时读这份笔记、自己学校的教材和网上的另一些讲义发现同一概念换了符号就认不出来。比如行向量写法有的是行矩阵、有的是列矩阵转置矩阵乘法有的用下标表示、有的用列向量组合表示。原因没有选定一套“主符号”。笔记从头到尾的记号是统一的你必须把笔记当默认基准其他资料只做补充不做并行阅读。解决给自己做一张“符号对照表”把笔记里的记号列出来旁边写上其他教材的不同写法。比如“Aᵀ”在别的书里可能写作“A”含义相同。符号对照表用表格放在笔记本第一页每次遇到新记号先查表不要任由它在脑子里打架。4.4 现象在行列式计算上耗费大量时间行列式章节往往是自学者的“时间黑洞”——因为练习册里堆了大量四阶、五阶行列式化简题算起来很有“成就感”仿佛自己在努力。这个方向偏了。这份笔记对行列式的定位是“可逆性的判据”和“体积的缩放系数”计算高阶行列式的工作在真实工程里早就交给了软件人的任务是理解行列式代表的几何意义而不是手算五阶展开。解决把行列式章节的学习目标限定为三点判断矩阵可逆、理解 det(AB) det(A)det(B)、知道行列式对应体积缩放。超过四阶的行列式计算一律用软件验证思路不再手算。4.5 现象把“我看完了”当成“我学会了”这是最隐蔽的坑。你会发现自己看了三章笔记、感觉一切顺滑但一周后回想连“四个基本子空间”都说不全。原因是阅读是输入行为记忆和提取是输出行为只输入不输出大脑会判定这些信息不属于重要内容并快速清空。解决用“白纸复述法”替代阅读——读完一章后合上 PDF拿一张白纸把这一章讲过的定义、定理、例题思路全部默写出来。写不出来的地方就是真实的漏洞立刻回去翻笔记补齐。这个方法表面费时间实际比反复阅读节约至少一半总时长。5. 把笔记变成复习系统错题标签、概念索引与自测清单二刷、三刷笔记时如果还是从头翻一遍 PDF效率很低。这章教你用标签体系、索引表和自测清单把静态笔记变成一套能反复用的复习系统。5.1 给笔记打上“题型 - 方法 - 易错点”标签不要只在 PDF 里画高亮。高亮只是收藏标签才是检索。我习惯每做完一道题在旁边贴三个标签题型、方法、易错点。看图容易理解实际标签长这样题号/位置题型方法易错点2.1 例题判断向量组是否线性无关构造线性组合令其为零解系数别忘了零向量参与组合时可能“假装相关”4.3 习题求矩阵的特征值先用迹和行列式验证再解特征方程重根情况容易漏另一个特征向量6.2 例题最小二乘解转成 AᵀAx Aᵀb 再求解别忘记 AᵀA 可能病态先看条件数标签的作用是让你在复习时能按“题型”而不是“章节”聚合题目。你可以用表格工具整理也可以直接在 PDF 注释里加自定义标签文本。等到考前冲刺时直接筛“易错点”字段就能把最容易失分的点集中过一遍而不必重新做所有题。5.2 按章节建立你的概念索引表笔记本身是按章节组织的但你解决问题的路径往往是跨章节的。比如一道最小二乘题用到的可能是四个子空间、正交投影、法方程三个区块的知识。因此我建议建立一张“概念索引表”把它当作整本笔记的反向映射。索引表结构如下概念笔记主要出现的章节一句话解释关联概念零空间第 3 章、第 7 章Ax 0 的所有解行空间、秩列空间第 3 章、第 8 章A 列向量张成的空间秩、可逆性特征值第 5 章、第 9 章矩阵作用后方向不变的缩放比行列式、迹奇异值第 9 章AᵀA 特征值的平方根特征值、SVD建这个表时要注意不要直接抄笔记目录而是等学到中后期用自己的话补全“一句话解释”。如果某一行你写不出解释说明这个概念还没有消化回到对应章节重读。这张表做完之后你对整门课的把握要比单纯刷题的人扎实很多因为你看到的是知识之间的连接网而不是一个个孤立的公式。5.3 一份可执行的复习自测清单自测清单和课后题不同它不对应具体题目而对应“你在离开笔记后还能不能独立回答”的能力测试。每个章节学完问自己下面这组问题能不能在 30 秒内说出这一章解决了什么问题能不能不看公式用几何语言描述核心概念能不能自己写出至少一个例题的完整解法能不能说清这个概念和上一章某个概念的关系能不能举出一个现实场景说明这个概念的应用我见过很多认真的学习者前面四个问题答得上来但第五个问题答不上来。这不丢人只是说明知识还停在纸面上。一个技巧是给自己预设“应用语境”比如学到特征值时就联想一个传播过程一个状态向量反复被矩阵作用最终会收敛到主特征向量的方向。不需要推理严谨哪怕是一个粗糙的联想也能让概念在记忆里扎根。6. 用一道改造过的老题检验你有没有真读懂最后一章给你一个验证方法拿笔记里最经典的一道例题改其中一个条件再做一遍。如果能在不翻答案的情况下推导出“条件变化后结论怎么变”说明你是真懂了而不是记住了一道题的套路。比如笔记里常见的一道题求矩阵 A 的特征值和特征向量。你可以把 A 从一个对称矩阵改成一个非对称矩阵立刻观察两个结果的变化——特征值是否仍然全是实数特征向量是否仍然正交对称矩阵保证特征值实、特征向量正交这些性质在改造成非对称矩阵后通常不成立。这个对比能同时检验你对特征值分解适用条件的理解比连做十道同类题更有效。再举个例子原题是“判断 b 是否在 A 的列空间中”你可以把 b 改成“刚好等于 A 的某一列的倍数”然后追问自己这样改之后零空间的维度会不会变、最小二乘解是否唯一。这种“轻微扰动原题条件”的做法相当于给自己出了一道没人写过的题逼迫你同时调用多个知识点。我在读完每次重啃笔记时都会拿最后几章的例题做这个“改条件”操作。有时候改完发现原有解法不再适用这意味着我对某个定理的边界条件有误解而不是题出错了。遇到这种情况回去翻笔记的相关段落后再走一遍通常印象会深到两三个月都忘不掉。你自己实践时可以按这个流程来第一步选定一个主题第二步闭眼回忆该主题的核心概念和公式第三步打开笔记找一道例题第四步改掉一个数字或条件第五步在不看原文的情况下完成解答第六步对照原题答案找出你改动之后哪里不符合原有推理框架。整个过程控制在 40 分钟以内性价比远高于重看三集视频。这套方法不只对线性代数有效读任何数学类笔记、技术手册都适用。毕竟笔记是别人的知识组织方式你只有亲手改造它、提问它它才会变成你自己的东西。希望你在读完这份笔记后再盖上 PDF 之前先用这道“改造题”给自己一个交代——这也是我对自己每一份学习资料的处理习惯希望能帮到你。本文还有配套的精品资源点击获取