线性代数的学习方法和心得体会

第一篇：线性代数的学习方法和心得体会

线性代数的学习方法和心得体会

一、学习方法

今天先谈谈对线形空间和矩阵的几个核心概念的理解。这些东西大部分是凭着自己的理解写出来的，基本上不抄书，可能有错误的地方，希望能够被指出。但我希望做到直觉，也就是说能把数学背后说的实质问题说出来。

首先说说空间(space)，这个概念是现代数学的命根子之一，从拓扑空间开始，一步步往上加定义，可以形成很多空间。线形空间其实还是比较初级的，如果在里面定义了范数，就成了赋范线性空间。赋范线性空间满足完备性，就成了巴那赫空间；赋范线性空间中定义角度，就有了内积空间，内积空间再满足完备性，就得到希尔伯特空间。

总之，空间有很多种。你要是去看某种空间的数学定义，大致都是“存在一个集合，在这个集合上定义某某概念，然后满足某些性质”，就可以被称为空间。这未免有点奇怪，为什么要用“空间”来称呼一些这样的集合呢？大家将会看到，其实这是很有道理的。

我们一般人最熟悉的空间，毫无疑问就是我们生活在其中的（按照牛顿的绝对时空观）的三维空间，从数学上说，这是一个三维的欧几里德空间，我们先不管那么多，先看看我们熟悉的这样一个空间有些什么最基本的特点。仔细想想我们就会知道，这个三维的空间：1.由很多（实际上是无穷多个）位置点组成；2.这些点之间存在相对的关系；3.可以在空间中定义长度、角度；4.这个空间可以容纳运动，这里我们所说的运动是从一个点到另一个点的移动（变换），而不是微积分意义上的“连续”性的运动，认识到了这些，我们就可以把我们关于三维空间的认识扩展到其他的空间。事实上，不管是什么空间，都必须容纳和支持在其中发生的符合规则的运动（变换）。你会发现，在某种空间中往往会存在一种相对应的变换，比如拓扑空间中有拓扑变换，线性空间中有线性变换，仿射空间中有仿射变换，其实这些变换都只不过是对应空间中允许的运动形式而已。因此只要知道，“空间”是容纳运动的一个对象集合，而变换则规定了对应空间的运动。

下面我们来看看线性空间。线性空间的定义任何一本书上都有，但是既然我们承认线性空间是个空间，那么有两个最基本的问题必须首先得到解决，那就是：

1.空间是一个对象集合，线性空间也是空间，所以也是一个对象集合。那么线性空间是什么样的对象的集合？或者说，线性空间中的对象有什么共同点吗？

2.线性空间中的运动如何表述的？也就是，线性变换是如何表示的？ 我们先来回答第一个问题，回答这个问题的时候其实是不用拐弯抹角的，可以直截了当的给出答案。线性空间中的任何一个对象，通过选取基和坐标的办法，都可以表达为向量的形式。通常的向量空间我就不说了，举两个不那么平凡的例子：

L1.最高次项不大于n次的多项式的全体构成一个线性空间，也就是说，这个线性空间中的每一个对象是一个多项式。如果我们以x0, x1,..., xn为基，那么任何一个这样的多项式都可以表达为一组n+1维向量，其中的每一个分量ai其实就是多项式中x(i-1)项的系数。值得说明的是，基的选取有多种办法，只要所选取的那一组基线性无关就可以。这要用到后面提到的概念了，所以这里先不说，提一下而已。

下面来回答第二个问题，这个问题的回答会涉及到线性代数的一个最根本的问题。

线性空间中的运动，被称为线性变换。也就是说，你从线性空间中的一个点运动到任意的另外一个点，都可以通过一个线性变化来完成。那么，线性变换如何表示呢？很有意思，在线性空间中，当你选定一组基之后，不仅可以用一个向量来描述空间中的任何一个对象，而且可以用矩阵来描述该空间中的任何一个运动（变换）。而使某个对象发生对应运动的方法，就是用代表那个运动的矩阵，乘以代表那个对象的向量。简而言之，在线性空间中选定基之后，向量刻画对象，矩阵刻画对象的运动，用矩阵与向量的乘法施加运动。

是的，矩阵的本质是运动的描述。如果以后有人问你矩阵是什么，那么你就可以响亮地告诉他，矩阵的本质是运动的描述。（chensh，说你呢！）

可是多么有意思啊，向量本身不是也可以看成是n x 1矩阵吗？这实在是很奇妙，一个空间中的对象和运动竟然可以用相类同的方式表示。能说这是巧合吗？如果是巧合的话，那可真是幸运的巧合！可以说，线性代数中大多数奇妙的性质，均与这个巧合有直接的关系。

接着理解矩阵、、、我们说“矩阵是运动的描述”，到现在为止，好像大家都还没什么意见。但是我相信早晚会有数学系出身的网友来拍板转。因为运动这个概念，在数学和物理里是跟微积分联系在一起的。我们学习微积分的时候，总会有人照本宣科地告诉你，初等数学是研究常量的数学，是研究静态的数学，高等数学是变量的数学，是研究运动的数学。大家口口相传，差不多人人都知道这句话。但是真知道这句话说的是什么意思的人，好像也不多。简而言之，在我们人类的经验里，运动是一个连续过程，从A点到B点，就算走得最快的光，也是需要一个时间来逐点地经过AB之间的路径，这就带来了连续性的概念。而连续这个事情，如果不定义极限的概念，根本就解释不了。古希腊人的数学非常强，但就是缺乏极限观念，所以解释不了运动，被芝诺的那些著名悖论（飞箭不动、飞毛腿阿喀琉斯跑不过乌龟等四个悖论）搞得死去活来。因为这篇文章不是讲微积分的，所以我就不多说了。有兴趣的读者可以去看看齐民友教授写的《重温微积分》。我就是读了这本书开头的部分，才明白“高等数学是研究运动的数学”这句话的道理。

“矩阵是线性空间里跃迁的描述”。

可是这样说又太物理，也就是说太具体，而不够数学，也就是说不够抽象。因此我们最后换用一个正牌的数学术语——变换，来描述这个事情。这样一说，大家就应该明白了，所谓变换，其实就是空间里从一个点（元素/对象）到另一个点（元素/对象）的跃迁。比如说，拓扑变换，就是在拓扑空间里从一个点到另一个点的跃迁。再比如说，仿射变换，就是在仿射空间里从一个点到另一个点的跃迁。附带说一下，这个仿射空间跟向量空间是亲兄弟。做计算机图形学的朋友都知道，尽管描述一个三维对象只需要三维向量，但所有的计算机图形学变换矩阵都是4 x 4的。说其原因，很多书上都写着“为了使用中方便”，这在我看来简直就是企图蒙混过关。真正的原因，是因为在计算机图形学里应用的图形变换，实际上是在仿射空间而不是向量空间中进行的。想想看，在向量空间里相一个向量平行移动以后仍是相同的那个向量，而现实世界等长的两个平行线段当然不能被认为同一个东西，所以计算机图形学的生存空间实际上是仿射空间。而仿射变换的矩阵表示根本就是4 x 4的。又扯远了，有兴趣的读者可以去看《计算机图形学——几何工具算法详解》。

一旦我们理解了“变换”这个概念，矩阵的定义就变成： “矩阵是线性空间里的变换的描述。”

到这里为止，我们终于得到了一个看上去比较数学的定义。不过还要多说几句。教材上一般是这么说的，在一个线性空间V 里的一个线性变换T，当选定一组基之后，就可以表示为矩阵。因此我们还要说清楚到底什么是线性变换，什么是基，什么叫选定一组基。线性变换的定义是很简单的，设有一种变换T，使得对于线性空间V中间任何两个不相同的对象x和y，以及任意实数a和b，有： T(ax + by)= aT(x)+ bT(y)，那么就称T为线性变换。

接着往下说，什么是基呢？这个问题在后面还要大讲一番，这里只要把基看成是线性空间里的坐标系就可以了。注意是坐标系，不是坐标值，这两者可是一个“对立矛盾统一体”。这样一来，“选定一组基”就是说在线性空间里选定一个坐标系。就这意思。

好，最后我们把矩阵的定义完善如下：

“矩阵是线性空间中的线性变换的一个描述。在一个线性空间中，只要我们选定一组基，那么对于任何一个线性变换，都能够用一个确定的矩阵来加以描述。” 同样的，对于一个线性变换，只要你选定一组基，那么就可以找到一个矩阵来描述这个线性变换。换一组基，就得到一个不同的矩阵。所有这些矩阵都是这同一个线性变换的描述，但又都不是线性变换本身。

但是这样的话，问题就来了如果你给我两张猪的照片，我怎么知道这两张照片上的是同一头猪呢？同样的，你给我两个矩阵，我怎么知道这两个矩阵是描述的同一个线性变换呢？如果是同一个线性变换的不同的矩阵描述，那就是本家兄弟了，见面不认识，岂不成了笑话。

好在，我们可以找到同一个线性变换的矩阵兄弟们的一个性质，那就是： 若矩阵A与B是同一个线性变换的两个不同的描述（之所以会不同，是因为选定了不同的基，也就是选定了不同的坐标系），则一定能找到一个非奇异矩阵P，使得A、B之间满足这样的关系：

A = P-1BP 线性代数稍微熟一点的读者一下就看出来，这就是相似矩阵的定义。没错，所谓相似矩阵，就是同一个线性变换的不同的描述矩阵。按照这个定义，同一头猪的不同角度的照片也可以成为相似照片。俗了一点，不过能让人明白。

而在上面式子里那个矩阵P，其实就是A矩阵所基于的基与B矩阵所基于的基这两组基之间的一个变换关系。关于这个结论，可以用一种非常直觉的方法来证明（而不是一般教科书上那种形式上的证明），如果有时间的话，我以后在blog里补充这个证明。

这样一来，矩阵作为线性变换描述的一面，基本上说清楚了。但是，事情没有那么简单，或者说，线性代数还有比这更奇妙的性质，那就是，矩阵不仅可以作为线性变换的描述，而且可以作为一组基的描述。而作为变换的矩阵，不但可以把线性空间中的一个点给变换到另一个点去，而且也能够把线性空间中的一个坐标系（基）表换到另一个坐标系（基）去。而且，变换点与变换坐标系，具有异曲同工的效果。线性代数里最有趣的奥妙，就蕴含在其中。理解了这些内容，线性代数里很多定理和规则会变得更加清晰、直觉。

二、学习心得

线性代数是一门对理工科学生极其重要数学学科。线性代数主要处理的是线性关系的问题，随着数学的发展，线性代数的含义也不断的扩大。它的理论不仅渗透到了数学的许多分支中，而且在理论物理、理论化学、工程技术、国民经济、生物技术、航天、航海等领域中都有着广泛的应用。同时，该课程对于培养学生的逻辑推理和抽象思维能力、空间直观和想象能力具有重要的作用。

线代课本的前言上就说：“在现代社会，除了算术以外，线性代数是应用最广泛的数学学科了。”我们的线代教学的一个很大的问题就是对线性代数的应用涉及太少，课本上涉及最多的只能算解线性方程组了，但这只是线性代数很初级的应用。我自己对线性代数的应用了解的也不多。但是，线性代数在计算机数据结构、算法、密码学、对策论等等中都有着相当大的作用。

没有应用到的内容很容易忘，就像现代一样，我现在高数还基本记得。因为高数在很多课程中都有广泛的应用，比如在开设的大学物理课中。所以，如果有时间的话，要尽可能地到网上或图书馆了解线性代数在各方面的应用。如：《线性代数》（居余马等编，清华大学出版社）上就有线性代数在“人口模型”、“马尔可夫链”、“投入产出数学模型”、“图的邻接矩阵”等方面的应用。也可以试着用线性代数的方法和知识证明以前学过的定理或高数中的定理，如老的高中解析几何课本上的转轴公式，它就可以用线性代数中的过渡矩阵来证明。

线性代数被不少同学称为“天书”，足见这门课给同学们造成的困难。在这门课的学习过程中，很多同学遇到了上课听不懂，一上课就想睡觉，公式定理理解不了，知道了知识但不会做题，记不住等问题。我认为，每门课程都是有章可循的，线性代也不例外，只要有正确的方法，再加上自己的努力，就可以学好它。

一定要重视上课听讲，不能使线代的学习退化为自学。上课时干别的会受到老师讲课的影响，那为什么不利用好这一小时四十分钟呢？上课时，老师的一句话就可能使你豁然开朗，就可能改变你的学习方法甚至改变你的一生。上课时一定要“虚心”，即使老师讲的某个题自己会做也要听一下老师的思路。上完课后不少同学喜欢把上课的内容看一遍再做作业。实际上应该先试着做题，不会时看书后或做完后看书。这样，作业可以帮你回忆老师讲的内容，重要的是这些内容是自己回忆起来的，这样能记得更牢，而且可以通过作业发现自己哪些部分还没掌握好。作业尽量在上课的当天或第二天做，这样能减少遗忘给做作业造成的困难。做作业时遇到不会的题可以问别人或参考同学的解答，但一定要真正理解别人的思路，绝对不能不弄清楚别人怎么做就照抄。适当多做些题对学习是有帮助的。

数学上的方法是相通的。比如，考虑特殊情况这种思路。线性代数中行列式按行或列展开公式的证明就是从更简单的特殊情况开始证起；解线性方程组时先解对应的齐次方程组，这些都是先考虑特殊情况。高数上解二阶常系数线性微分方程时先解其对应的齐次方程，这用的也是这种思路。

方法真的很难讲，而方法包含许多细节的内容很难讲出来甚至我都意识不到，但它们会对学习起很大的作用。我感觉“做完题要总结”，“上课想到老师前面”，“注重知识之间的联系”很重要。

以上就是我学习线性代数的心得。

第二篇：线性代数心得体会

矩阵——1张神奇的长方形数表

关键词：矩阵与线性方程组高阶矩阵简化方法财务数据分析工具

在本学期的线性代数课程的第二章中，我接触了矩阵的相关概念，发现其不仅能够在数学中帮助研究线性变换、向量的线性相关性及线性方程的解法，还能为日常许多数据统计与分析中看似杂乱无章毫无关系的数据按一定的规则清晰展现，并能通过矩阵的运算刻画其内在联系，这对于审计专业的我们将来开展财务数据统计与分析能带来巨大的帮助。

在运用矩阵解方程组时，可以将线性方程组简化为矩阵形式：AX=B，来进行矩阵计算，这种方法不仅书写方便，而且可以把线性方程组的理论与矩阵理论联系起来，给线性方程组的讨论带来很大的便利。

在具体的矩阵运算过程中，我们可以通过等式两边同时左乘−1来求X，这就引出了第二章第三节的逆矩阵概念，逆在以前高中的实数乘法中便起着重要作用，在学习线性代数课程中，逆矩阵也是一个重要概念，且因为两矩阵乘积的定义，我们需要注意所讨论的矩阵是方阵形式，否则就会带来运算上的错误。

而对于高阶的复杂矩阵，还可以利用分块矩阵，将大矩阵的运算化成若干小矩阵，间接使高阶矩阵转化成多个低阶矩阵来运算，以及矩阵的初等变换规律对矩阵进行转换：如通过公式(AE)

（−1)可以对前面逆矩阵的运算起到简化作用，通过公式(AB)初等行变换初等行变换

（−1B)则可以借此求解矩阵方程AX=B。通过一步一步的学习，我慢慢对线性代数矩阵这一章节有了进一步的理解掌握，发现各个章节看似无关的概念，其实最后都可以联系在一起，为求解线性方程组、甚至后面章节的线性变换、线性相关性等都起到极大的铺垫基础作用。

谈了这么多矩阵对于求解线性方程组过程中的体会，更吸引我的是矩阵对于数据处理方面的作用，作为审计专业的学生，未来工作中会遇到很多处理产品成本的核算的问题，而通过矩阵这一工具，可以通过特殊的“数型结合”恰当的显示出各种数据间的内在联系，例如：可12以用矩阵（12）来表示一个公司的单位产品成本构成（两列分别代表产品1和产品2，121三行分别代表材料成本、劳动力成本、其他辅助成本），当与产品产量矩阵（）

211+22相乘时，则可以得出两种材料的总成本矩阵(11+22)将产品总成本的构成以更清晰

11+22明了的方式呈现出来，可以为财务数据的处理带来很大的助益。

第三篇：线性代数心得体会

矩阵——1张神奇的长方形数表

关键词：矩阵与线性方程组高阶矩阵简化方法财务数据分析工具

在本学期的线性代数课程的第二章中，我接触了矩阵的相关概念，发现其不仅能够在数学中帮助研究线性变换、向量的线性相关性及线性方程的解法，还能为日常许多数据统计与分析中看似杂乱无章毫无关系的数据按一定的规则清晰展现，并能通过矩阵的运算刻画其内在联系，这对于审计专业的我们将来开展财务数据统计与分析能带来巨大的帮助。

在运用矩阵解方程组时，可以将线性方程组简化为矩阵形式：AX=B，来进行矩阵计算，这种方法不仅书写方便，而且可以把线性方程组的理论与矩阵理论联系起来，给线性方程组的讨论带来很大的便利。

在具体的矩阵运算过程中，我们可以通过等式两边同时左乘−1来求X，这就引出了第二章第三节的逆矩阵概念，逆在以前高中的实数乘法中便起着重要作用，在学习线性代数课程中，逆矩阵也是一个重要概念，且因为两矩阵乘积的定义，我们需要注意所讨论的矩阵是方阵形式，否则就会带来运算上的错误。

而对于高阶的复杂矩阵，还可以利用分块矩阵，将大矩阵的运算化成若干小矩阵，间接使高阶矩阵转化成多个低阶矩阵来运算，以及矩阵的初等变换规律对矩阵进行转换：如通过公式(AE)

（−1)可以对前面逆矩阵的运算起到简化作用，通过公式(AB)初等行变换初等行变换

（−1B)则可以借此求解矩阵方程AX=B。通过一步一步的学习，我慢慢对线性代数矩阵这一章节有了进一步的理解掌握，发现各个章节看似无关的概念，其实最后都可以联系在一起，为求解线性方程组、甚至后面章节的线性变换、线性相关性等都起到极大的铺垫基础作用。

谈了这么多矩阵对于求解线性方程组过程中的体会，更吸引我的是矩阵对于数据处理方面的作用，作为审计专业的学生，未来工作中会遇到很多处理产品成本的核算的问题，而通过矩阵这一工具，可以通过特殊的“数型结合”恰当的显示出各种数据间的内在联系，例如：可12以用矩阵（12）来表示一个公司的单位产品成本构成（两列分别代表产品1和产品2，121三行分别代表材料成本、劳动力成本、其他辅助成本），当与产品产量矩阵（）

211+22相乘时，则可以得出两种材料的总成本矩阵(11+22)将产品总成本的构成以更清晰

11+22明了的方式呈现出来，可以为财务数据的处理带来很大的助益。

第四篇：线性代数心得体会

矩阵——1张神奇的长方形数表

关键词：矩阵与线性方程组高阶矩阵简化方法财务数据分析工具

在本学期的线性代数课程的第二章中，我接触了矩阵的相关概念，发现其不仅能够在数学中帮助研究线性变换、向量的线性相关性及线性方程的解法，还能为日常许多数据统计与分析中看似杂乱无章毫无关系的数据按一定的规则清晰展现，并能通过矩阵的运算刻画其内在联系，这对于审计专业的我们将来开展财务数据统计与分析能带来巨大的帮助。

在运用矩阵解方程组时，可以将线性方程组简化为矩阵形式：AX=B，来进行矩阵计算，这种方法不仅书写方便，而且可以把线性方程组的理论与矩阵理论联系起来，给线性方程组的讨论带来很大的便利。

在具体的矩阵运算过程中，我们可以通过等式两边同时左乘−1来求X，这就引出了第二章第三节的逆矩阵概念，逆在以前高中的实数乘法中便起着重要作用，在学习线性代数课程中，逆矩阵也是一个重要概念，且因为两矩阵乘积的定义，我们需要注意所讨论的矩阵是方阵形式，否则就会带来运算上的错误。

而对于高阶的复杂矩阵，还可以利用分块矩阵，将大矩阵的运算化成若干小矩阵，间接使高阶矩阵转化成多个低阶矩阵来运算，以及矩阵的初等变换规律对矩阵进行转换：如通过公式(AE)

（−1)可以对前面逆矩阵的运算起到简化作用，通过公式(AB)初等行变换初等行变换

（−1B)则可以借此求解矩阵方程AX=B。通过一步一步的学习，我慢慢对线性代数矩阵这一章节有了进一步的理解掌握，发现各个章节看似无关的概念，其实最后都可以联系在一起，为求解线性方程组、甚至后面章节的线性变换、线性相关性等都起到极大的铺垫基础作用。

谈了这么多矩阵对于求解线性方程组过程中的体会，更吸引我的是矩阵对于数据处理方面的作用，作为审计专业的学生，未来工作中会遇到很多处理产品成本的核算的问题，而通过矩阵这一工具，可以通过特殊的“数型结合”恰当的显示出各种数据间的内在联系，例如：可12以用矩阵（12）来表示一个公司的单位产品成本构成（两列分别代表产品1和产品2，121三行分别代表材料成本、劳动力成本、其他辅助成本），当与产品产量矩阵（）

211+22相乘时，则可以得出两种材料的总成本矩阵(11+22)将产品总成本的构成以更清晰

11+22明了的方式呈现出来，可以为财务数据的处理带来很大的助益。

第五篇：线性代数心得体会

线性代数心得体会

本学期选修了田亚老师《线性代数精讲》的课程，而且这个学期我们的课程安排中也是有线性代数的，正好和选修课相辅相成，让我的线性代数学的更好。

本来这门学修课是准备面向考研生做近一步拔高的，但是有很多同学没有学过线性代数，或者说像我们一样是正在学习线性代数的，所以老师还是很有耐心的从基础开始讲，适当的增加一些考研题作为提高，这样就都可以兼顾大家。

线性代数的主要内容是研究代数学中线性关系的经典理论。由于线性关系是变量之间比较简单的一种关系，而线性问题广泛存在于科学技术的各个领域，并且一些非线性问题在一定条件下, 可以转化或近似转化为线性问题，因此线性代数所介绍的思想方法已成为从事科学研究和工程应用工作的必不可少的工具。尤其在计算机高速发展和日益普及的今天，线性代数作为高等学校工科本科各专业的一门重要的基础理论课，其地位和作用更显得重要。

我觉得线代是一门比较费脑子的课，因为这门课中的概念、运算法则很多，而且大多都很抽象，所以一定要注重对基本概念的理解与把握，应整理清楚不要混淆，正确熟练运用基本方法及基本运算。而且，线代作为一门数学，各知识点之间有着千丝万缕的联系，其前后连贯性很强，所以学习线代一定要坚持，循序渐进，注意建立各个知识点之间的联系，形成知识网络。除此之外，代数题的综合性与灵活性也较大，所以我们在平时学习中一定要注重串联、衔接与转换。一定要掌握矩阵、方程组和向量的内在联系，遇到问题才能左右逢源，举一反三，化难为易。

在此我要感谢田亚老师细心、认真的教育和无微不至的照顾。田老师大一时教我们高数，从那时起就是这样认真，负责，上课准备的很充分，讲课也很细致，有问题也会耐心、认真的为我们讲解。本学期选修田老师的课还是很开心的，一是讲课方式比较熟悉，二是田老师的课确实讲的细致有条理。除了讲授课本的知识以外，田老师还会讲一些有关考研，人生规划之类的事情，我觉得这对激励我们努力学习有很大的帮助。

线代本身作为数学，其实是比较枯燥乏味的，所以如果在选修课中能加入一些比较有趣味性的东西，那讲课效果应该更好。

微风细雨，润物无声。再次感谢田老师本学期的教诲。老师辛苦了！