线性代数学习路线：MIT 18.06 + 3Blue1Brown 双通道笔记

说实话我大学第一次学线性代数的时候整个人是被“算”懵的。行列式怎么展开、矩阵怎么相乘、特征多项式怎么解我当然能照着课本一步步算出来考试也能对付过去。但你问我“到底什么是线性变换”“特征向量在几何上代表了什么”我一句话都答不上来。那时候的我既没看过 MIT 18.06也不知道 3Blue1Brown 是什么只知道公式、公式、还是公式。后来的一次重学彻底改变了我对这门课的态度我同时把 Gilbert Strang 教授的 MIT 18.06 公开课和 Grant Sanderson 的 3Blue1Brown“线性代数的本质”系列视频放在一起看边看边做笔记才算把脑子里那些“散装公式”串成了一张有画面感的网。这篇博文就是我当时完整的学习笔记和复盘总结我尽量把资源怎么搭配、概念怎么理解、笔记怎么记、坑怎么避都讲清楚。如果你刚接触线性代数、准备考研、或者在为机器学习补数学基础这套“18.06 3B1B”的组合打法可以直接抄作业。1. 双通道学习为什么代数计算和几何直觉必须同时上手1.1 代数通道解决“怎么算”几何通道解决“是什么”先说说为什么单单啃一本教材不够。绝大多数线性代数教材包括国内工科普遍用的那几本走的是“公理化计算”路线先给定义再给定理然后上例题。这套路的好处是严谨坏处是抽象。比如矩阵乘法课本只会告诉你“第 i 行第 j 列的元素等于左矩阵第 i 行与右矩阵第 j 列对应相乘再求和”然后配上三四道纯计算题。你练熟了但并不知道这个运算在空间里到底干了什么。而 MIT 18.06 虽然比国内多数教材更侧重直觉和工程应用但它的主体内容仍然是系统化的代数理论消元法、四个子空间、最小二乘、特征值、SVD每一块都有明确的计算算法。Strang 教授的讲课风格强调“先看用途再讲理论”但他毕竟是在给 MIT 本科生上课不会花大量时间做动画演示。3Blue1Brown 的“Essence of Linear Algebra”系列恰好补上了这块空缺。它把每一个核心概念都还原成空间里的运动矩阵是一次线性变换的“编码”行列式是变换前后面积的缩放倍数特征向量是在变换中方向不变的那些向量。看这个系列你会获得一种“原来如此”的顿悟感但它几乎不讲计算细节——你不会从里面学会怎么消元、怎么求逆矩阵、怎么做格拉姆-施密特正交化。所以我的结论是这两套资源根本不冲突而是天然互补。18.06给你完整的知识骨架和计算能力3B1B给你空间想象力和概念层面的深度理解。两边同步推进效果远大于单刷任何一边。1.2 为什么“先看动画”比“先抠理论”效率更高我在重学过程中发现一个很有意思的规律如果我先看 3B1B 的三五分钟视频再回头听 Strang 讲课或看课本推导理解速度会快很多。原因是大脑对“空间图形”的加工速度远快于对“符号公式”的加工速度。先建立一个几何直觉再去读抽象的代数定义你会知道每一个符号到底在描述什么而不是被符号牵着走。举个例子3B1B 在介绍矩阵与向量乘法时画面里是一个向量被拉伸、旋转网格线保持平行且等距然后告诉你“矩阵的列告诉你基向量去了哪里”。这个画面一旦记住你再看任何教材里对矩阵乘法的定义脑子里会自动浮现“两个变换先后作用”的场景。我不需要死记硬背它为什么是“行乘列”因为我已经看到了因果链。1.3 这套组合不适合谁当然我必须说实话这套组合也有不适合的场景。如果你已经在线性代数领域深耕多年对四大子空间、SVD、广义逆这些东西闭着眼都能推那 3B1B 对你来说可能过于基础和缓慢。如果你备考时间极紧只剩两周就要考试那更现实的策略是刷 18.06 的习题和往年卷而不是花时间看动画。但如果你是第一次学、或者学完就忘想重头建立体系双通道学习法几乎是最优解。2. 资源对照图18.06 的每一章应该配 3B1B 的哪一集2.1 先给两套资源“定坐标”MIT 18.06 的官方名称是 Linear Algebra授课视频在 MIT OpenCourseWare 上可以免费看配套教材是 Strang 的Introduction to Linear Algebra。整个课程大致可以分成四大板块板块核心内容18.06 对应讲座大致范围解线性方程组消元法、行阶梯形、矩阵乘法、逆矩阵、LU 分解Lecture 1–6向量空间列空间、零空间、四个基本子空间、基与维数、正交性、投影、最小二乘Lecture 6–17行列式与特征值行列式性质与公式、特征值特征向量、对角化、微分方程、马尔可夫矩阵Lecture 18–26深入主题对称矩阵、正定矩阵、复数矩阵、SVD、线性变换与基变换Lecture 25–343B1B 的 Essence of Linear Algebra 系列一共十几集时长大多在 10 到 20 分钟之间短小精悍适合见缝插针地看集数主题1–3向量、线性组合、线性变换与矩阵乘法4三维空间的线性变换5行列式6逆矩阵、列空间与零空间7非方阵、不同维度间的变换8–9点积与对偶性、叉积10基变换11特征向量与特征值12抽象向量空间2.2 我的逐章对照用法我不建议把 3B1B 一口气全部看完再回头啃 18.06那样容易把两边的内容搞成两张皮。我实际执行的方式是“按主题对齐先几何后代数再计算”先看 3B1B 的第一集到第三集建立“向量是空间箭头、矩阵是变换、矩阵乘法是变换复合”的直觉然后立刻打开 18.06 的 Lecture 1 和 Lecture 2 学消元法。此时你再学消元法不只是学“怎么消”而是知道这是解方程组的一种系统化操作背后对应的是把一个原始问题逐步变换成容易求解的形式。到了向量空间部分先在 3B1B 的第六集里看列空间与零空间的几何演示再回到 18.06 从 Lecture 6 开始系统学习四个子空间。这时候 Strang 在黑板上的推导对你来说就不是天书了你能在脑中映射出“列空间就是矩阵列向量张成的平面”这样的画面。特征值部分我尤其推荐这种“先看动画再学计算”的顺序。3B1B 的第十一集用一只三维小人的旋转来解释特征向量你会看到哪些向量在变换中方向没变哪些被拉伸缩短了。带着这个印象去听 18.06 的 Lecture 21、Lecture 22再去解特征多项式、求特征值对应的特征子空间每一步你都知道自己正在做什么而不是机械套公式。2.3 一份可直接保存的对照清单我把我当时用的对照方案整理成了一张清单你照着走就行3B1B 第 1-3 集 → 18.06 Lecture 1-3向量、线性组合、矩阵乘法、逆矩阵3B1B 第 5 集 → 18.06 Lecture 18-20行列式3B1B 第 6 集 → 18.06 Lecture 6-10子空间、零空间、列空间3B1B 第 8-9 集 → 18.06 Lecture 14-16正交、投影、最小二乘3B1B 第 10 集 → 18.06 Lecture 31基变换、对角化3B1B 第 11 集 → 18.06 Lecture 21-23特征值、特征向量、对角化3B1B 第 12 集 → 18.06 Lecture 30-31线性变换与抽象向量空间说实话我当时就是把这几个对应关系贴在了笔记本第一页每学完一个主题就打一个勾后来越学越顺。3. 那些被“几何化”之后我才真正理解的核心概念3.1 线性变换从公式到空间的“网格运动”线性代数最核心的概念其实是线性变换。18.06 里面反复提到线性变换满足两条规则加法封闭和数乘封闭但只说规则很干瘪。3B1B 的动画会让你直观看到“线性”到底意味着什么——变换前后网格线仍然是直线且保持平行原点不动网格保持等距分布。一旦你接受了这个画面矩阵的含义就清晰了矩阵的每一列告诉你了原来的基向量比如二维里的 x 轴单位向量和 y 轴单位向量变换之后去了哪里。这不是某种随意的约定而是整个线性代数运算的几何基础。举个例子矩阵 [[1, 3], [-2, 0]] 是什么意思不用算先想第一列 [1, -2] 是 x 轴基向量变换后的位置第二列 [3, 0] 是 y 轴基向量变换后的位置。这两个位置决定了整个平面上所有点的新位置。我在笔记里把这个记为“矩阵的列就是基向量的新家”。这个理解让我在后来的基变换、相似矩阵、SVD 里都受益匪浅。3.2 行列式空间伸缩的“倍率”18.06 里行列式的定义方式是直接从性质出发的单位矩阵的行列式是 1交换两行变号某行乘以 k 则行列式乘以 k等等。这些性质本身是严格的但初次学习者很容易疑惑“为什么要满足这些规则”。3B1B 给出了一针见血的解释行列式的绝对值表示变换后面积或体积相对于原来的缩放倍数。二维里一个小方格经过线性变换变成平行四边形它的面积由 1 变成了多少那个数就是行列式的绝对值。负号代表什么代表空间发生了“翻转”方向反转了。这个解释看似简单却解决了我一个长期困惑为什么一个矩阵不可逆当且仅当行列式等于零因为行列式等于零意味着变换把二维平面压缩成了一维直线或一个点面积变成了零。而面积变成零说明原本线性无关的基向量被压成了线性相关矩阵退化当然没有逆变换把它恢复回来。3.3 特征向量与特征值方向不变的“主轴”特征值、特征向量可能是整个线性代数里最容易被“算会”但最难“理解”的概念。18.06 里的标准流程是解特征方程 det(A - λI) 0求出特征值 λ再代回去求零空间基作为特征向量。流程不复杂但初学者往往不理解这个东西到底在干什么。3B1B 的动画把这个问题讲透了对于一个线性变换绝大多数向量在变换后会偏离原来的方向但总有一些向量只是被拉伸或压缩方向不变或反向方向仍落在同一条直线上。这些“方向不变”的向量就是特征向量对应的拉伸倍数就是特征值。我记得笔记里有这样一段话“特征向量是变换的卡点它们告诉你这个变换的本质动作是哪些方向上的拉伸或压缩。把坐标系换成特征向量构成的基矩阵就变成了对角矩阵所有复杂的交叉耦合全部消失。”后来我在学马尔可夫矩阵、微分方程解耦、主成分分析 PCA 时这个理解帮我快速定位了每一种方法到底在“找什么”其实都是在对矩阵做“特征分解”找到那组最能揭示系统结构的方向。3.4 矩阵乘法与基变换把“变换的先后顺序”可视化矩阵乘法为什么要那样定义如果只看代数规则它显得很专断。但 3B1B 的第三集让我们看到AB 表示的是“先做 B 变换再做 A 变换”这个复合动作。注意顺序很重要先旋转再剪切和先剪切再旋转结果完全不同。同理基变换视频里讲的“同一个向量在不同坐标系下的表示”也让我重新理解了相似矩阵。两个矩阵相似本质上是它们在两个不同的基底下描述着同一个线性变换。18.06 里的 A PBP⁻¹或 A SΛS⁻¹在几何上就是一个完整的“翻译流程”先用 P⁻¹ 把你的坐标换成新基底的坐标在新视角下做变换 B再用 P 把结果翻译回原坐标。这个理解到了 SVD 那里尤其好用。4. 几何直觉帮不了的那部分必须回到 18.06 硬啃的内容4.1 消元法与 LU 分解3B1B 几乎不讲消元法因为消元本质上是计算层面的操作几何画面不丰富。但 18.06 的前几课恰恰把消元法放在了极重要的位置——Strang 教授一直强调“Linear algebra is the systematic solution of linear equations”而消元法是整套计算的基石。我的学习经验是不要在 3B1B 里找消元法的画面踏踏实实跟着 18.06 做几遍手算。你需要理解几个关键概念主元不可为零、消元过程中乘数 l_ij 怎么记录、为什么 A LU 里的 L 是下三角矩阵而 U 是上三角阶梯形。这个分解在后续的数值计算里无比重要实际工程中解 Ax b 几乎不会去算 A⁻¹而是做 LU 分解后回代求解节省计算量且数值稳定性更好。4.2 四个基本子空间3B1B 在第六集里展示了列空间、零空间的直观含义但 18.06 把这一块拓展成了完整的“四个基本子空间”理论行空间、零空间、列空间、左零空间。这四个子空间之间的关系正交补、维数定理在几何直觉上可以画在纸上但真正要掌握它们需要跟着 Strang 的 Lecture 10 做大量的维数计算和子空间判定。我当时做了一个四子空间的关系图行空间与零空间是 n 维空间里的正交补列空间与左零空间是 m 维空间里的正交补。这个关系图帮助我在学习最小二乘时迅速理解了“为什么法方程是 AᵀAx Aᵀb”——本质上是在把向量投影到列空间上而误差向量落在左零空间里。这一块我强烈不建议跳过推导只看动画。你可以用 3B1B 建立基本画面但真正考试和实际应用里你需要手算出基、判断一个向量是否属于某个子空间、求出维数——这些必须通过 18.06 的习题来练。4.3 格拉姆-施密特过程和最小二乘的实际计算投影和最小二乘是 18.06 后半部分的重点也是我学了之后在应用中最常用到的一章回归分析、信号处理、数据拟合全是它。3B1B 的第八集讲点积与对偶性时涉及了投影的几何含义但它不会教你如何把一组非正交基转化成标准正交基。格拉姆-施密特过程是典型的“必须手推几遍”的内容取第一个向量作为基准第二个向量减去它在第一个方向上的投影得到正交分量依此类推。这个过程在动画里看起来很简单但做题时最容易丢分的点在于投影算子的写法、正交化的归一化时机、以及在数值计算中容易出现的稳定性问题。我在这部分会建议大家把 18.06 的课后习题完整做上两三遍不要只抄答案。5. 实操阶段的路线设计顺序、节奏与踩坑记录5.1 我的实际学习顺序可复制第一阶段约 1 周3B1B 第 1-3 集 18.06 Lecture 1-3学习向量的线性组合、矩阵乘法、逆矩阵做题以基础计算题为主。第二阶段约 1 周3B1B 第 5-6 集 18.06 Lecture 6-10学习子空间、零空间、四个基本子空间重点练习求基和维数。第三阶段约 1 周3B1B 第 8-9 集 18.06 Lecture 14-17学习正交性、投影、最小二乘和格拉姆-施密特过程。第四阶段约 1 周3B1B 第 10-11 集 18.06 Lecture 21-26学习特征值、特征向量、对角化、微分方程和马尔可夫矩阵。第五阶段约 1 周3B1B 第 12 集 18.06 Lecture 29-31学习 SVD、线性变换与基变换回顾整门课。这个节奏比较适合每天能拿出 1.5 到 2 小时的学习者。如果时间充裕可以在每阶段中间插入一天的复习和错题整理。5.2 笔记怎么记才不会变成“抄板书”我踩过的第一个大坑就是把看 18.06 的时间变成了“抄板书直播现场”。Strang 在黑板上写什么我记什么下了课回头一看跟官方讲义一模一样没有任何自己的加工。这毫无意义。后来我采用的笔记方式是“双栏对照法”左侧记数学推导和题目演算右侧留白画几何示意图和一句话直觉。比如记到特征值时左侧写 det(A - λI) 0 的展开推导右侧用铅笔画一个拉伸的网格图写上“特征向量方向不变的向量λ 是拉伸倍数”。这样复习时先看右侧的文字和图片激活直觉再看左侧的公式恢复细节效率极高。3B1B 的视频笔记则更简单每看完一集用不超过五句话写下“这一集回答了什么问题”再画一张小的示意图。别急着记录每一帧动画内容因为那些动画你已经看过了重点是把它的核心启示固化下来。5.3 那些真的会浪费你时间的坑不要试图用 3B1B 代替所有理论学习。它的视频是“催化剂”不是“主食”。你再怎么理解特征向量的几何含义也不会自动学会怎么解 (A - λI)x 0 的齐次方程组。不要在没做题的情况下连续刷十集视频。看动画有一种“我学会了”的错觉实际上手一算就露馅。我的经验是看一集 3B1B必须配一套题型对应的计算练习。不要跳过 18.06 的中段——也就是列空间和零空间那一章。很多人在前两周热情高涨学到子空间时因为抽象而放弃了。但四个子空间恰恰是连接其他所有章节的枢纽后面的一切几乎都建立在它的基础上。5.4 计算工具的使用建议我自己的习惯是先手算再用 Python 做验证。在学 18.06 的同时我会在 Jupyter Notebook 里用 NumPy 随机生成一些矩阵算完手算结果后用np.linalg.eig、np.linalg.svd、np.linalg.matrix_rank这类接口做交叉验证。这能极快地发现你手算中的错误也顺便为以后的机器学习数学基础铺路。如果你不想用 Python在线矩阵计算器也能完成这个验证工作但多写几行代码的好处是你对矩阵在计算机里真实的存储方式、计算误差、浮点数问题也会慢慢建立感觉这在工程实践里非常有用。6. 一些收尾的个人经验在我第二次系统地学完这套组合之后最大的变化不是考了多少分而是我看到现实问题时会下意识地想这个问题里哪些量在变化这种变化的规则是线性的吗如果用矩阵表示它的列空间在哪个空间里特征值能告诉我什么信息这种“把问题翻译成线性代数语言”的本能才是学这门课最值钱的东西。过程当中我也走了一些弯路比如花太多时间做无效抄写、看视频看得痛快却拖慢了做题进度、在子空间部分差点放弃。后来我调整成“视频只管直觉公式必须手推错题必须重做”整个学习的质感立刻不一样了。最后送大家一个我个人很受益的小技巧学完每个大主题后拿出一张空白纸不看任何资料画出这个概念和前后概念的连接关系——线性变换怎么联结矩阵和向量、行列式怎么联结矩阵的可逆性、特征值怎么联结对角化和差分方程、SVD 怎么联结四个子空间和数据降维。如果你能在白纸上把这个网络画出来恭喜你线性代数的大门你已经真正进去了。