向量空间与线性代数的“一张图”
向量空间 $V$（如 $\mathbb{R}^n$）对加法与数乘封闭：若 $\mathbf{u},\mathbf{v}\in V$，则 $\mathbf{u}+\mathbf{v}\in V$，$c\mathbf{u}\in V$。线性代数研究的是保持这两种运算的映射：
$$T(c_1\mathbf{u}+c_2\mathbf{v})=c_1T(\mathbf{u})+c_2T(\mathbf{v})\ \Longrightarrow\ T(\mathbf{x})=A\mathbf{x}$$
矩阵 $A$ 的每一列就是基向量 $\mathbf{i},\mathbf{j},\mathbf{k}$ 在变换后的去向；于是“解方程”$A\mathbf{x}=\mathbf{b}$（列的组合）、"行列式"（体积缩放比）、"特征向量"（方向不变的直线）都统一在“矩阵 = 线性变换”这一视角之下。
行列式：面积/体积的（带符号）缩放因子
2×2 情形，两列 $\mathbf{a}=(a,c),\ \mathbf{b}=(b,d)$ 张成的平行四边形面积为 $|\det A|$：
$$\det\begin{bmatrix}a&b\\c&d\end{bmatrix}=ad-bc=|\mathbf{a}|\,|\mathbf{b}|\sin\theta$$
3×3 情形为三列张成的平行六面体体积：$\det A = \mathbf{a}\cdot(\mathbf{b}\times\mathbf{c})$（混合积）。核心性质：
- $\det(AB)=\det A\cdot \det B$，$\det(A^T)=\det A$；
- 交换两行/列 ⇒ 变号；某列全零或两列成比例 ⇒ $\det=0$（变换“压扁”了空间）；
- $\det A\neq 0 \iff A$ 可逆；$\det(A^{-1})=1/\det A$。
符号表示定向：右手系经 $A$ 后仍为右手系则为正，翻转为左手系则为负。
向量组：张成、相关性与基
- 线性组合：$c_1\mathbf{v}_1+\cdots+c_k\mathbf{v}_k$；全部组合构成张成 $\mathrm{span}\{\mathbf{v}_i\}$——过原点的直线/平面/整个空间，必为子空间；
- 线性相关：存在不全为零的 $c_i$ 使 $\sum c_i\mathbf{v}_i=\mathbf{0}$，等价于某向量可由其余向量线性表出；
- 基：极大线性无关组；维数 = 基中向量个数（不随基改变）；
- Gram–Schmidt：把任意基改造成正交/标准正交基：$\mathbf{u}_k=\mathbf{v}_k-\sum_{j
线性方程组：两种“图像”与解的结构
行图像：每个方程是一个平面，解是平面的公共交点。 列图像：$A\mathbf{x}=\mathbf{b}$ 询问“$\mathbf{b}$ 是否为列向量的线性组合”。
$$A\mathbf{x}=\mathbf{b}\iff x_1\mathbf{a}_1+x_2\mathbf{a}_2+x_3\mathbf{a}_3=\mathbf{b}$$
- 唯一解：$r(A)=r([A|\mathbf{b}])=n$（$\det A\neq 0$）；
- 无穷多解：$r(A)=r([A|\mathbf{b}])
- 无解：$r(A)
解法：高斯消元（行变换化上三角→回代），等价于左乘消元矩阵。
特征值：变换的“不变方向”
$$A\mathbf{v}=\lambda\mathbf{v},\qquad \det(A-\lambda I)=0$$
- $\lambda$ 为该方向上的伸缩倍率；$\mathrm{tr}(A)=\sum\lambda_i$，$\det(A)=\prod\lambda_i$；
- 对角化：若 $n$ 个线性无关特征向量，则 $A=PDP^{-1}$，且 $A^k=PD^kP^{-1}$——迭代的长期行为由最大 $|\lambda|$ 主导；
- 实矩阵可能有复特征值（旋转矩阵），对应平面上的旋转+缩放；
- 应用：Fibonacci 数列（黄金比）、PageRank（主特征向量）、振动模态、主成分分析。
二次型与主轴定理
$$q(\mathbf{x})=\mathbf{x}^TA\mathbf{x}=\sum_{i,j}a_{ij}x_ix_j\quad (A\ \text{对称})$$
主轴定理：存在正交阵 $Q$ 使 $Q^TAQ=\mathrm{diag}(\lambda_1,\dots,\lambda_n)$，即坐标旋转到特征向量方向后二次型化为标准形 $\sum\lambda_i y_i^2$。水平集 $\mathbf{x}^TA\mathbf{x}=c$ 的形状由特征值符号决定：
- 全正 → 正定，椭球/椭圆；全负 → 负定；
- 有正有负 → 不定，双曲面/双曲线；有零 → 半正定，柱面/平行线（$c=0$ 时出现锥面）；
- 惯性定律（Sylvester）：正/负特征值个数（惯性指数）在合同变换下不变；
- 判据：特征值符号、顺序主子式、Cholesky 分解 $A=LL^T$。
子空间与四个基本子空间（Strang 大图景）
子空间判据：过原点、对加法与数乘封闭。对 $m\times n$ 矩阵 $A$（秩 $r$）：
$$\begin{aligned}\mathrm{Col}(A)&=\mathrm{span}\{\text{列}\}\subset\mathbb{R}^m,\ \dim=r\\[2pt]\mathrm{Row}(A)&=\mathrm{Col}(A^T)\subset\mathbb{R}^n,\ \dim=r\\[2pt]\mathrm{N}(A)&=\{\mathbf{x}:A\mathbf{x}=0\}\subset\mathbb{R}^n,\ \dim=n-r\\[2pt]\mathrm{N}(A^T)&=\{\mathbf{y}:A^T\mathbf{y}=0\}\subset\mathbb{R}^m,\ \dim=m-r\end{aligned}$$
关键正交关系：$\mathrm{Row}(A)\perp \mathrm{N}(A)$，$\mathrm{Col}(A)\perp \mathrm{N}(A^T)$；且 $\mathrm{Col}(A)=\mathrm{N}(A^T)^{\perp}$。这就是“秩-零化度定理”$r+\dim\mathrm{N}(A)=n$ 的几何版。
关于参考资料
左侧列表汇总了本演示概念与视角的权威来源：MIT OCW 18.06 与 Stanford EE263 为课程主框架；图形直觉参考 3Blue1Brown 与 Strang 的《A 2020 Vision of Linear Algebra》。