刚开始学线性代数那会儿我整个人是蒙的。教材翻了两遍定理一个没记住行列式算不对矩阵乘法搞混方向特征值更是不知道用来干嘛。后来跟着宋浩老师的课重新过了一遍边听边记了一套笔记整个学科的骨架才算立起来。这篇内容不是课程简介也不是老师推荐而是想聊聊我在这套笔记里沉淀下来的东西——线代究竟该怎么学笔记究竟该怎么记哪些知识点是考试的命门哪些概念是后面机器学习绕不过去的坎。如果你也是正准备期末冲刺的大学生、准备考研的二战党或者因为工作要补数学基础的转行者这套笔记的整理思路和方法应该能帮你省下不少瞎折腾的时间。1. 宋浩线代课的逻辑为什么“听懂”不等于“会做题”很多人看宋浩老师的视频第一反应是好笑第二反应是“这老师怎么这么能扯”。但如果你只记住段子那基本等于白看。我刷完一遍之后回头总结发现他的课能火核心并不是段子而是讲课的叙事逻辑特别适合“建立直觉”。他先讲一个具体的、生活化的场景把抽象概念放在场景里烘托一遍然后才回到定义和公式。这种先直觉后形式的顺序恰好是数学学习里特别高效的一条路径。我在笔记封面上写了一句提醒“听懂是老师的本事记牢是自己的本事”。这就是我整理笔记的出发点不是为了抄板书而是为了把宋老师那种“话糙理不糙”的理解方式固定下来。1.1 宋浩课程风格对笔记方法的启发宋浩讲行列式不会上来就黑板上写逆序数定义他会先用三元一次方程组的求解过程让你看到那个“交叉相乘再相减”的东西是怎么凑出来的。再从二阶推广到三阶接着问你四阶、五阶怎么办最后才引出逆序数、展开定理这些严格化的工具。这种讲法对笔记的启发是笔记不能只抄“定义-定理-证明”的流程还要记录“老师是怎么引出这个概念的”。我每一章笔记的开头都会先写一段“背景引入”用一两句话记录这个概念解决的原始问题。比如行列式那一章我写的引入是“为了给线性方程组一个统一的求解公式”矩阵那一章写的是“为了把线性变换用一种更紧凑的符号表达出来”。1.2 不同基础的人如何取舍这套笔记如果你是刚接触线代的新生建议完整看完每一章的引入部分再加粗定义标记因为这一遍的重点是建立框架不要死磕某一道偏题怪题。笔记里我会把“必须掌握”和“考研扩展”分开标注前者是教材课后题加宋老师课内例题就足够后者则需要配合真题训练。如果你是在考研复习阶段那笔记的用法就不太一样。此时重心要从“理解概念”转向“刷题训练”基础部分可以跳着看重点集中在特征值、二次型这两章因为考研大题基本从这里出。如果你是因为学机器学习或者数据分析回来补线代的那就完全不用理会考试里的那些计算技巧——什么行列式按行展开的快速算法、用初等变换求逆矩阵的流程这些paper里根本不会出现。你真正要死磕的是矩阵与线性变换的对应关系、特征值分解、奇异值分解的基本思想。所以笔记里我特意整理了“AI视角下的线代重点”把哪些概念会在机器学习里再次出现都标了星号这部分后面细说。2. 笔记的体系搭建三大模块解决“学了就忘”的问题很多人记笔记最大的问题是笔记本变成了抄写本。老师写什么他抄什么公式抄得工工整整定理一字不落笔记翻起来跟教材重复率百分之九十。这种笔记除了复习的时候有点心理安慰实际用处非常有限。我自己一开始也是这样。后来经过反复调整最终把每章的笔记固定成三大模块基本解决了我“听完就忘、复习无门”的困境。2.1 模块一概念地图与符号约定这个模块就是画每一章的概念关系网。比如矩阵这一章所有概念都围绕“矩阵——矩阵运算——特殊矩阵——矩阵的秩——逆矩阵”这条主线展开。特殊矩阵里又分零矩阵、单位矩阵、对角矩阵、上三角矩阵、对称矩阵等。每个概念之间用箭头标注关系——谁定义在谁之上谁是特例谁是推广。符号约定这部分特别容易被忽略。线性代数这门课符号多到爆炸同一个概念在不同教材里符号写法不一样而且宋浩课件里用的符号和学校教材里的往往有差异。我在笔记里专门留了一页做符号对照表把向量、零向量、零矩阵、转置、共轭转置、内积这些符号的常见写法都列出来省得复习的时候翻前翻后找定义。2.2 模块二核心定理与“人话解释”这一部分是笔记的灵魂。每个定理我不会只抄条件和结论我会在下面跟一行“人话解释”也就是用自己的话把定理说的是什么意思写出来。举个例子线性相关与线性无关的定义特别劝退教材上的定义是“一组向量线性相关如果存在一组不全为零的系数使得线性组合等于零向量”。我在笔记里的人话解释是“这一组向量里至少有一个向量能由其他向量拼出来”。再比如秩的定义教材说“矩阵的秩等于非零子式的最高阶数”人话解释就是“这个矩阵到底压缩了几维的信息”。这样一写后面理解秩与线性方程组解的关系就顺理成章了——秩不够意味着方程之间有“重叠信息”所以会有无穷多解。2.3 模块三典型例题与易错题复盘这个模块专门用来收集宋浩课上讲过的经典例例题以及我刷题时踩过坑的错题。每道题我记录了三个东西题目本身、我的错误解法、正确的思路方向。很多人忽略第二点——错误的解法但我觉得这才是笔记里最值钱的东西。比如我记了这样一道题判断一个向量组是线性相关还是线性无关我当时想当然地用“组成的行列式是否为零”来判断结果题目里给的向量个数和维数不对等根本构不成方阵。这道题我清清楚楚地记录在案旁边标注“不能用行列式判别的特殊情况”后面复习的时候一眼就能想起来当初错在哪儿。3. 核心章节笔记详解从行列式到二次型下面我把笔记里每个章节的核心内容串一遍。这不仅是对线代知识点的梳理也是展示我这套笔记长什么样的好机会。每个章节我都会先说“这一章到底是干嘛的”再说“哪些地方容易挂”最后说“哪些地方值得重点标注”。3.1 行列式别在计算细节里丢了全局观行列式这一章是线代的开篇也是很多人第一个劝退点。为什么劝退因为计算量巨大三阶的还好四阶五阶的用定义展开简直要命。但偏偏这一章在考试里只值10到15分性价比不高。笔记里我最先记的是行列式六大性质因为性质是后面所有技巧的根基。性质里的关键一条是“把某行的k倍加到另一行行列式值不变”。这个性质的理解直接决定了消元法用得顺不顺手。我在旁边做了一句话提示“这个性质在计算时最常用因为它保证变换前后行列式值不变”。然后是按行展开定理。这个定理的公式本身不复杂但里面的代数余子式符号特别容易出错。我的办法是画了一张“棋盘图”把符号的正负分布用棋盘格的方式画出来这样每次展开的时候直接对照棋盘图查符号基本就不会错了。这一章的易错点我总结了三处。第一行列式是一个数矩阵是一张表二者绝对不能混为一谈。第二交换两行行列式变号但倍乘某行是行列式乘以该倍数这两个性质容易搞混。第三行列式与矩阵的乘法口诀不通用矩阵乘法不满足交换律但行列式的乘法满足这是两套完全不同的规则。3.2 矩阵运算规则和秩的真面目矩阵这一章我从符号上就写得比教材更啰嗦。因为矩阵相关的概念实在太多了——矩阵的加法、数乘、乘法、转置、迹、行列式、逆、伴随、分块……每一块我都用单独的小节记录确保翻笔记的时候能迅速定位。矩阵乘法是第一个坎。我当时花了很大力气才克服“左边乘右边”和“右边乘左边”的混淆。笔记里记了宋浩课上的一个说法“矩阵乘法不满足交换律AB和BA的意义完全不同”。这句话说起来简单但做题时才体会到有多坑。我记了一道非常典型的错题把一个向量按行排列的矩阵和按列排列的矩阵乘反了导致后面所有计算都错。然后是逆矩阵。逆矩阵的存在条件我笔记里标注的是“行列式不等于零”的矩阵才有逆矩阵。这个概念和高斯消元法、初等变换求逆方法是密切相关的。笔记里详细记录了用初等行变换求逆矩阵的步骤每一步的意图也都标了——左半部分变成单位矩阵的过程右半部分的变化结果就是逆矩阵。最后是矩阵的秩。我在笔记开头写了一段很长的“理解引言”秩是线代里最核心的概念之一但教材给的定义是个计算型定义非零子式的最高阶数非常反直觉。宋老师在课上用“有效信息量”来解释秩的直觉含义我把它记了下来并加了一个生活化类比一张有大量重复内容的Excel表去掉重复行列之后剩下的不重复信息量就类似矩阵的秩。3.3 向量组的线性相关性从行列式切换到“拼凑”视角向量组这一章是线代从计算转向抽象的转折点。很多同学在这里开始跟不上因为前面行列式和矩阵好歹还有算的到了“线性相关”“线性无关”“极大无关组”“向量组的秩”这些概念突然不知道该干嘛了。我的笔记里先用“拼凑”这个视角重新定义了相关内容。一组向量线性相关意思就是“其中至少有一个向量可以由其余的向量拼出来”线性无关就是“谁都拼不出谁”。极大无关组就是“能拼出全组向量的最少那一撮向量”。这个理解方式在面对具体题目的时候特别好用。比如给你一组向量判断相关性最朴实的方法是把它拼成一个矩阵然后做行化简看有没有零行。参考零行的存在就能判断相关还是无关。这个方法在考试里百试不爽我在笔记里把这个算法的每一步写得非常细致包括什么时候交换行、什么时候除以首元、怎么判断零行等等。这一章还有一个不能漏掉的概念是向量组的秩和矩阵的秩的联系二者数值上是一样的。这是线代里一个非常漂亮的结论它把矩阵这个“表格对象”和向量组这个“集合对象”统一起来了。笔记里我用一个双向箭头标出这两者的关系并且备注了一句“矩阵的行秩等于列秩等于矩阵的秩这是后面很多推导的基石”。3.4 线性方程组解的结构性理解线性方程组这一章其实是前面所有知识的第一次集中应用。判断一个方程组有没有解、有多少解本质上就是看系数矩阵的秩和增广矩阵的秩之间的关系。笔记里我把解的三种情况整理成一张表格一直放在这一章的最前面条件解的情况秩(A) 秩(Ab) n秩(A) 秩(Ab) n秩(A) ≠ 秩(Ab)这张表真的是救命表。考试时候拿到线性方程组不用多想先把两个秩算出来对照表格直接做题基本上不会跑偏。接下来是齐次方程组。它的关键在于“基础解系”这个概念当秩不够的时候解空间里有无限多个解但可以挑出一组有限的基础解系所有解都是这组基础解系的线性组合。这里的“n-r”自由变量的个数必须要理解透不然求基础解系的时候不知道要保哪个变量、自由设定哪个变量就容易乱。非齐次方程组的通解结构是另一个重点非齐次通解 齐次通解 非齐次特解。我在笔记里用了一个类比来帮助记忆“特解是到了一条路上的某个点齐次通解是在这个点附近任意挪动的方法集合。两者相加就是这条路上所有可能的点”。3.5 特征值、特征向量和矩阵对角化线代里的高光时刻到这一章线代的“实用价值”开始显现。特征值和特征向量这个概念在物理、工程、数据科学里反复出现。笔记里我首先记的是定义式 Aα λα然后标注了直觉理解“特征向量是矩阵作用后方向不变、只被伸缩的向量伸缩比例就是特征值”。求解特征值的流程归纳下来三步第一步写出特征方程 |λE - A| 0第二步解这个一元n次方程得到n个特征值第三步对每个特征值代入 (λE - A)x 0解出对应的特征向量。这个流程本身不难难点在计算量大尤其是含参数的三阶矩阵。特征值算出来之后矩阵对角化就顺理成章了如果n阶矩阵有n个线性无关的特征向量则可以对角化对角矩阵上的对角元就是特征值过渡矩阵的列就是对应的特征向量。对角化有什么用我在笔记里记了最直接的一个应用——计算矩阵的幂。一个矩阵的100次方如果硬算是要命但如果能对角化A^100 P D^100 P⁻¹D是对角矩阵D^100只要把每个对角元各自取100次方就行计算量骤降。这一章我踩过最大的坑是在判断矩阵是否可对角化时只看了特征值是否重根——注意特征值互异是充分条件但反过来有重根也可能可对角化关键要看重根对应的特征向量够不够数。笔记里我专门把判定条件列成了一段加粗文字“n阶矩阵可对角化的充要条件是每个特征值的几何重数等于代数重数”。3.6 二次型从二次曲线到标准形二次型这一章学起来有一种“终于开始用线代解决问题”的感觉。二次型本质上是一个多元二次齐次多项式它的矩阵形式是 x^T A x其中A是对称矩阵。把二次型化为标准形的过程就是通过可逆线性变换把它化简成只有平方项的形式。笔记里我重点写了两种化标准形的方法配方法和正交变换法。配方法就是初等数学里的“配方”思路简单直接但有时候计算量大。正交变换法的流程比较长但每一步都是前面学过的内容先写出对称矩阵A然后求A的特征值和特征向量将特征向量正交单位化拼成正交矩阵P最后P^T A P就变成了对角矩阵对角元就是特征值。这一章的惯性思维坑是特征向量正交化步骤的人常常漏掉“不同特征值的特征向量天然正交”这条性质。如果碰巧几个特征值不同那么对应的几个特征向量不用额外施密特正交化直接单位化即可。但如果特征值有重根重根对应的那一组特征向量之间需要做施密特正交化。这个细节在考试里非常容易被扣分我笔记里用红笔圈了又圈。还有正定性的判断。二次型正定的充要条件是“各阶顺序主子式都大于零”这个结论在考试里直接用就行。学习机器学习的同学要注意了协方差矩阵的正定性、Hessian矩阵的正定性判断都是从这里衍生出去的这块属于跨学科的高频考点。4. 笔记实操指南记录、复盘、迭代的完整闭环前面讲了笔记的架构和内容这一节讲具体怎么操作。从工具选择到复盘频率我说说自己的完整流程。也许不能适用于所有人但至少这是一套经过实战检验的工作流你可以在这个基础上改。4.1 工具选型纸质笔记和电子笔记怎么搭配我试过纯粹的纸质笔记也试过纯电子笔记最后采用的是“纸质为主、电子为辅”的方案。纸质笔记的好处是书写过程本身就是一次深度编码一笔一画写定义比打字记忆效果好很多。另外在纸质笔记上画向量、画矩阵、画行列变化的箭头自由度特别高不会受到排版工具的束缚。我一直用的是方格本因为画矩阵和行列式的时候方格能自动对齐写出来特别整齐。电子笔记我用来做两件事一是存思维导图用XMind把每章的概念地图画出来方便随时在手机上看二是做错题检索表把纸质笔记里记过的错题整理成一个简单的索引表标注题号、知识点、错误类型复习的时候按索引去翻纸质笔记效率极高。如果你是纯平板党全部用GoodNotes或Notability这类软件也完全没问题关键是要利用好软件里的标签功能给不同章节打标签方便检索。不过要注意纯电子笔记容易陷入“看起来很全但根本没记住”的陷阱因为复制粘贴太方便了缺少了手写编码的过程。4.2 记录节奏课前、课中、课后各做什么我把笔记工作拆成三段分别对应课前、课中、课后。课前5分钟先用上一版的思维导图快速扫一遍今天要讲的章节心里留一个大概框架知道今天会讲到哪些概念。课中跟着老师的节奏不需要把每一句话都记下来只记三种内容第一老师反复强调的易混点第二老师讲的例题里出现的新套路第三我当时没听明白、必须课后处理的问题。至于定义、定理这些教材里都有的内容不抄只在笔记角落写个页码标记课后回教材查。课后当天晚上是笔记最关键的“二次加工”时间。我会把课中潦草记的东西重新誊写一遍到正式笔记上同时不看书考试回忆这一章讲了什么按我的理解写一个100到200字的章节概述。这个过程看起来很笨其实非常有效——它是强制你从“被动接收”切换到“主动整理”的开关。如果概述遇到卡壳就说明这一章还有没打通的地方第二天必须回过头补。4.3 复盘机制怎么让笔记“越翻越薄”笔记不是写完了就束之高墙的东西。我每过一周会“过一遍”笔记但不是从头到尾都看而是只看那些被我标了“重点”“易错”“高考频”记号的区域。这个过程我称之为“压薄”——每周压一遍笔记里真正需要反复看的精华部分就会越来越薄到最后考前冲刺时只需要看那两三页浓缩页就够了。具体操作上我会在笔记页边预留一列空白专门用来写复盘标记。第一次复习时懂了的内容画一个“点”要再看的画一个“”第二次复习时“”的变成“点”或者“”如果还是“”那就要考虑是不是需要找其他资料辅助理解了。这些标记让每一次复习都有了明确的行动指引而不是漫无目的地翻。5. 常见问题与避坑指南这个部分我把整理笔记过程中遇到的典型困难和解决办法整理出来都是实打实的坑。5.1 为什么听懂了课一做题就废这是最多人问我的问题。核心原因在于听懂了是“输入”做对了是“输出”两者之间的鸿沟必须靠独立练习来填。听课的时候解题思路是老师给的你只是在轻松地看别人表演做题的时候所有搜索、判断、试错都得自己来难度完全不同。我解决这个问题的方法是“三遍做题法”。第一遍看完例题后马上合上笔记尝试自己独立做一遍哪怕是错的也硬着头皮做下去。第二遍对照笔记上的正解找出自己卡住的位置然后重新做一遍重点突破卡壳点。第三遍隔两天再做一次如果能流畅做出来才算真正掌握了这道题。这个方法看起来简单但能坚持下来的人很少效果也恰恰体现在这里。5.2 笔记记了不会翻怎么办有的人笔记记得很精美但只会在考前看一眼。这种笔记本质上是一堆废纸。我自己也经历过这个阶段后来的改变是把笔记从“记录工具”改成“查询工具”——每一章开头先放关键词索引和概念地图后面每一小节都用醒目的彩色标签标出标题重要公式用荧光笔圈出。这样复习的时候不是从头翻到尾而是带着问题去检索答案。书中复看的频率也做了调整不是积攒到考前一次性看而是每次上完课的当晚必须二次加工一次周末必须过一遍本周内容。坚持下来笔记的利用率会提高不止一个档次。5.3 符号太多记不住怎么办线性代数的符号体系确实劝退很多人。我自己的办法是自建一套“符号速查表”把常见符号和含义写在一张纸上贴在笔记本扉页。每学一章就把新出现的符号补充上去。这个速查表不仅帮我解决了记不住符号的问题还有一个隐藏好处——通过符号记忆把整门课的知识框架串起来。比如看到“λ”就能想到特征值看到“r(A)”就能想到矩阵的秩看到“R^n”就能想到n维向量空间这些联动反应在考试遇到综合题时特别有用能快速激活大脑里储备的相关知识。5.4 时间段长了前面的忘了怎么办遗忘是正常生理现象不是记忆力差。我的原则是“用核心行用边角翻”。核心内容包括矩阵乘法、初等变换求秩、特征值求解流程、解线性方程组这些主线技能必须定期练保持手感和熟练度。边角内容包括超纲的证明题技巧、冷门的特殊性质考前突击记忆就行。具体遗忘应对策略是每章结束后的第1天、第3天、第7天、第21天各复习一遍对应的正好是我们常说的记忆衰减速率的几个关键节点。坚持下来之后到期末或考研前知识留存率会比自己闷头死记高很多。6. 从期末到考研到AI这套笔记能走多远我曾经以为线性代数就是一个期末考完就拉倒的科目后来发现完全不是这么回事。线代的意义在后续课程里尤其在数据科学、机器学习、计算机图形学里会一遍又一遍地凸显出来。6.1 期末考任何题型都能从笔记里找到归宿期末考试的题型基本固定计算行列式、矩阵运算、逆矩阵、解线性方程组、判断线性相关性、求特征值特征向量、二次型标准化。这些题型在笔记里都能找到对应的模板和流程。考前冲刺的时候我不需要翻教材只需要把笔记里的典型例题重做一遍再把易错点看一遍基本上就能覆盖考纲要求的绝大部分考点。唯一的例外是证明题。线代的证明题通常涉及向量组线性相关性、矩阵的秩不等式这些偏抽象的问题纯靠模板不一定能搞定。我在笔记里额外加了一个小板块专门整理证明题的常用技巧反证法、“秩的不等式链”、用矩阵乘法结合律构造关键恒等式等。这个板块虽然题量不大但备考时心里会踏实很多。6.2 考研冲刺阶段笔记的“压薄”与真题对接考研线代的区分度主要出在向量组相关性、线性方程组解的结构、特征值与二次型这几章的综合大题上。这部分内容我建议不要只依赖笔记里例题还要把近十年真题逐一过一遍然后把真题里反复出现的题型返回到笔记中补充进对应的章节。比如特征值的应用有一类高频题是“已知矩阵A的特征值求A的多项式f(A)的特征值”。这类题的解法很固定若A的特征值为λ则f(A)的特征值是f(λ)。我第一次做这道题时完全没招后来把这道题补充进笔记的特征值章节并在旁边标注了“遇到矩阵多项式的题先把特征值代进去试试”之后类似的题就再也没错过。6.3 机器学习线代笔记里的哪些内容会“二次生长”如果你学线代是为了做机器学习那这套笔记里有三块内容值得重点标注后面一定会用到。第一块是矩阵乘法与向量化的思想。机器学习里所有数据的表示都是矩阵一个数据集就是“样本×特征”的矩阵一次线性变换就是一次矩阵乘法。笔记里矩阵乘法的计算规则后面会直接转化为神经网络里矩阵运算的直觉基础。第二块是特征值分解和奇异值分解。主成分分析PCA底层的数学原理就是对协方差矩阵做特征值分解推荐系统、文本分析里常用的SVD本质上是特征值分解的推广。我在笔记的特征值章节结尾专门补了一页“通往SVD的直觉之路”从特征向量概念出发一步步延伸到奇异值。第三块是向量内积与范数的几何直觉。机器学习里的相似度计算、正则化项、几何距离这些都是建立在向量内积和范数的概念之上。笔记里这些看似基础的知识点反而是后面理解模型行为最重要的地基。7. 最后再分享一个小技巧整理宋浩线代笔记最大的收获不只是期末考了个好成绩而是掌握了一套“把抽象概念翻译成自己能懂的话”的方法。这个能力比线代本身值钱得多——它适用于任何一门新课、任何一本难啃的技术书、任何一个陌生的领域。所以我其实不太建议大家直接抄我的笔记更重要的是理解我整理笔记的思路然后把它用到你自己的学习场景里。给自己建一套可以随时查阅的私房笔记体系慢慢地你会发现那些曾经需要背很多遍还记不住的知识已经悄无声息地长在了你的脑子里。