線性代數是電腦科學幾乎所有「難」主題背後的數學：圖學、機器學習、最佳化、搜尋，乃至基礎資料結構。大多數 CS 學生能撐過這門課，卻從不覺得熟練——他們通過了考試，卻沒把「為什麼這些重要」內化。本指南反其道而行：一條優先攻克你真正會用到的主題的生存路線，讓 AI 充當讓做題不再痛苦的練習夥伴。
最重要的四個觀念
如果你的線性代數課程別的都不記得，請把這四點內化：
1. 矩陣就是一個函數
矩陣-向量乘法 是作用在一個點上的函數。矩陣 編碼了規則（旋轉、縮放、投影、錯切）；向量 是輸入。一旦想通這一點，半個線性代數就坍縮成「這個函數到底幹了什麼？」
2. 線性組合張成一切
每一個向量空間概念——基底、維數、秩、零空間——都是關於線性組合的問題。「我能否把 表示成 的若干倍之和？」如果可以， 就在它們的張成空間裡。
3. 特徵向量是矩陣的天然座標軸
大多數矩陣都有一小組特徵向量——矩陣只對它們縮放、而不旋轉的方向。在這些方向上，矩陣就只是一個數（特徵值）。這一個觀念驅動了 PageRank、主成分分析、振動分析和量子力學。
更深入的講解見 特徵值與特徵向量：入門。
4. SVD 是瑞士刀
奇異值分解把任意矩陣寫成 旋轉 × 對角 × 旋轉。它驅動了推薦引擎、影像壓縮、低秩近似和降噪。跳過 SVD 的 CS 學生遲早要還這筆帳。
一條尊重觀念遞進關係的學習順序
| 順序 | 主題 | 為什麼是現在 |
|---|---|---|
| 1 | 向量、內積、幾何 | 為後面的一切建立直覺 |
| 2 | 矩陣與矩陣乘法 | 核心運算 |
| 3 | 聯立方程式與高斯消去法 | 看得見的收益 |
| 4 | 行列式 | 通往反矩陣的踏腳石 |
| 5 | 向量空間、基底、維數 | 抽象但繞不開 |
| 6 | 特徵值與特徵向量 | 最重要的進階主題 |
| 7 | 對角化 | 特徵那套東西的應用 |
| 8 | SVD | 把一切推廣 |
如果課程把某個主題講得太快，要在它上面放慢，而不是跟著加速；下一個主題就建在它之上。
AI 如何改變練習循環
線性代數題高度機械——相乘、列化簡、展開、求解。機械的那部分正是學生耗掉時間和信心的地方。有了 AI：
計算器的意義不是省掉練習，而是快速驗證你手算的結果。先在紙上做題，然後核對。錯了？看 AI 的步驟——通常是某一步列運算走偏了。
整個學期的每週計畫
| 日 | 活動 | 時間 |
|---|---|---|
| 週一 | 讀下一節 + 5 道熱身題 | 45 分鐘 |
| 週二 | 聽課 + 從頭重做 2 個課堂例題 | 60 分鐘 |
| 週三 | 手寫完成習題集 | 90 分鐘 |
| 週四 | 用 AI 驗證習題集；改錯 | 30 分鐘 |
| 週五 | 用 geogebra / desmos 視覺化本週概念 | 30 分鐘 |
| 週六 | 自由 / 補進度 | |
| 週日 | 錯題本 + 規劃下一週 | 20 分鐘 |
週四的「用 AI 驗證」這一步是生產力倍增器——不必等批改過的作業發回來才發現錯誤，而是在寫完的隔天就找到它們。
CS 學生常犯的錯
- 當成代數來對待。 它不是。心智模型是幾何 + 函數，不是解方程式。
- 跳過證明。 哪怕是不嚴格的證明，也能建立日後在 ML 中受益的直覺。
- 不做視覺化。 在做 50 維作業之前，先把每個變換在二維裡畫出來。
- 死記特徵求解步驟卻不問為什麼。 你會忘掉公式；但你不會忘記「矩陣只做縮放的那些方向」。
ML 和圖學要求什麼
如果你打算從事 ML、圖學或機器人方向，請在以下方面超出大綱深挖：
- SVD 與低秩近似
- 非歐空間中的範數與內積
- 半正定矩陣（共變異數矩陣在 ML 裡無所不在）
- 求解聯立方程式的數值穩定性
課程通常只是蜻蜓點水。每個假期挑一個，讓 AI 當隨叫隨到的家教，自學一遍。
工具
- 矩陣乘法計算器
- 行列式計算器
- 特徵值計算器
- 配套部落格：矩陣乘法指南、特徵值與特徵向量入門