知识要点 · 大学数学

线性代数

计算机专业 · 本科阶段

矩阵运算、特征分解与奇异值分解，计算机图形学与人工智能的核心工具。

计算机专业的线性代数被誉为「人工智能的底层语言」：矩阵运算是图形学变换、数据表示与神经网络的基本载体，特征分解与奇异值分解是降维、推荐系统与图像压缩的核心工具，本课程强调计算视角与算法实现。

§ 01

矩阵运算与图形学

二维/三维图形变换（平移、旋转、缩放、投影）统一为矩阵乘法，齐次坐标把平移也并入矩阵：一个

4\times4

矩阵即可表达任意三维变换，这是 GPU 渲染管线的数学基础。矩阵乘法复杂度

O(n^3)

与快速算法（斯特拉森）服务算法设计。

§ 02

高斯消元及其复杂度分析，LU 分解使多次求解共享分解结果。方程组求解是数值计算、物理仿真与最小二乘问题的核心子程序；病态方程组与条件数

\kappa(A)

解释数值误差放大现象。

§ 03

特征值分解

A=Q\Lambda Q^T

（对称矩阵）与奇异值分解

A=U\Sigma V^T

（任意矩阵）：SVD 是「万能分解」，其截断形式提供最优低秩逼近。应用：主成分分析（PCA）降维、推荐系统（协同过滤）、图像压缩（保留前

k

大奇异值）、网页排序。

§ 04

线性相关、基底与秩揭示数据的本质维度：PCA 找方差最大方向即特征向量方向；线性回归的正规方程

X^TXw=X^Ty

是最小二乘的矩阵解；核方法把线性模型推广到非线性空间，本质上是在高维特征空间做内积。

奇异值分解

A=U\Sigma V^T=\sum_i\sigma_i u_i v_i^T

PCA 主方向

\Sigma_x v_i=\lambda_i v_i,\ \lambda_1\ge\lambda_2\ge\dots

正规方程

w=(X^TX)^{-1}X^Ty

条件数

\kappa(A)=\|A\|\,\|A^{-1}\|=\sigma_{\max}/\sigma_{\min}