線性代數導論

📚 內容概要

一本全面的教科書，提供線性代數的現代入門介紹，涵蓋向量、矩陣、線性方程、向量空間、正交性、行列式和特徵值，著重於理論與應用並重。

透過吉爾伯特·斯特朗（Gilbert Strang）直覺且嚴謹的框架，掌握線性代數的基礎與應用。

作者： 吉爾伯特·斯特朗（Gilbert Strang）

致謝： 麻省理工學院；威爾斯利-劍橋出版社

🎯 學習目標

1. 計算線性組合、點積、向量長度以及向量之間的角度。
2. 描述由向量集合所形成的幾何配置（直線、平面或體積）。
3. 使用矩陣-向量乘積求解線性方程，並解釋逆矩陣與奇異矩陣的角色。
4. 区分系統的列視圖（相交的平面）與行視圖（向量的線性組合）。
5. 進行高斯消去法，將系統轉換為上三角形式（U），並透過回代求解。
6. 利用初等矩陣（E_{ij}）與排列矩陣（P_{ij}）正式化消去步驟。
7. 判斷一組向量是否滿足子空間的條件。
8. 進行列簡化以達到簡化行階梯形式（R），並識別秩、主元列與自由變數。
9. 從特殊解構造零空間矩陣 N，並描述線性系統的完整解。
10. 識別並證明四個基本子空間的正交性，並確定其正交補集。

🔹 第一課：向量與線性組合的基本概念

概述： 本課涵蓋線性代數的基礎支柱：向量運算及其幾何詮釋。課程從基本的線性組合與點積，過渡到矩陣的代數結構、線性方程（Ax = b），以及向量獨立性與矩陣可逆性的關鍵概念。學生將學習在代數計算與 \mathbb{R}^3 中向量的幾何現實之間切換。

學習成果：

• 計算線性組合、點積、向量長度及向量間角度。
• 描述由向量集合所形成的幾何配置（直線、平面或體積）。
• 使用矩陣-向量乘積求解線性方程，並解釋逆矩陣與奇異矩陣的角色。

🔹 第二課：線性方程組與矩陣分解

概述： 本課探討從線性系統的幾何詮釋過渡到透過矩陣代數進行計算求解的過程。詳細說明高斯消去法的機制、利用初等矩陣形式化列運算，並最終整合為基本的矩陣分解（LU、PA=LU 及 LDL^T）。內容連結理論上的線性與實際執行，包含計算成本與軟體特定的執行方式。

學習成果：

• 区分系統的列視圖（相交的平面）與行視圖（向量的線性組合）。
• 進行高斯消去法，將系統轉換為上三角形式（U），並透過回代求解。
• 利用初等矩陣（E_{ij}）與排列矩陣（P_{ij}）正式化消去步驟。

🔹 第三課：向量空間與四個基本子空間

概述： 本課探討線性代數的結構核心，專注於向量空間與子空間的定義與要求。學生將學習使用簡化行階梯形式（R）來求解方程 Ax=0，以辨識主元變數與自由變數，進而得到構成零空間基底的「特殊解」。最後，課程總結為線性代數基本定理，連結四個基本子空間——列空間、行空間、零空間與左零空間——的維度與性質。

學習成果：

• 判斷一組向量是否符合子空間的要求。
• 進行列簡化以達成簡化行階梯形式（R），並識別秩、主元列與自由變數。
• 從特殊解構造零空間矩陣 N，並描述線性系統的完整解。

🔹 第四課：正交性與最小平方近似

概述： 本課透過正交性的觀點，探討四個基本子空間之間的根本關係。學生將學習如何使用投影矩陣將向量投影至直線與子空間，透過最小平方近似解決過定系統（擬合直線與拋物線），並利用正交基與葛蘭姆-施密特正交化，將複雜的線性代數問題簡化為 A = QR 分解。

學習成果：

• 識別並證明四個基本子空間的正交性，並確定其正交補集。
• 建構投影矩陣 P，並計算向量在直線與高維子空間上的投影。
• 應用正常方程式（A^T A \hat{x} = A^T b）找出一組資料點的最佳擬合直線或拋物線。

🔹 第五課：行列式的性質與應用

概述： 本課探討行列式的代數與幾何性質，從基於主元的定義過渡到包含排列與餘子式的「大公式」。學生將應用這些概念透過克拉默法則（Cramer's Rule）求解線性系統、計算逆矩陣，並在線性代數與多變量微積分中（雅可比行列式）計算面積與體積。

學習成果：

• 利用性質（乘積規則、轉置）、主元公式與餘子式展開計算行列式。
• 應用克拉默法則與餘子式公式求解與矩陣逆。
• 將行列式幾何地詮釋為三角形/平行四邊形的面積與平行六面體的體積，延伸至三重積與雅可比行列式。

🔹 第六課：特徵值、特徵向量與奇異值分解

概述： 本課探討將矩陣轉化為最簡形式，以解決線性系統與動態方程中的複雜問題。學生將學習如何利用特徵值/特徵向量（A = S\Lambda S^{-1}）對方陣進行分解，以及對任意矩陣使用奇異值分解（A = U\Sigma V^T），為求解微分方程、檢測局部極小值與影像壓縮奠定基礎。

學習成果：

• 解特徵值方程 Ax = \lambda x，並將 \lambda 與矩陣的跡與行列式關聯。
• 對角化矩陣以計算冪次，並求解線性微分方程組。
• 識別與測試正定矩陣，並計算喬列斯基分解。

🔹 第七課：線性變換與基底變換

概述： 本課探討從將矩陣視為靜態資料陣列，轉變為將其視為稱為線性變換的動態運算子的根本轉變。我們將定義線性法則，檢視變換如何映射特定形狀（如「房子」）於平面上，並學習將微積分運算（微分與積分）表示為矩陣。最後，我們以進階分解作結論——包括偽逆與極分解——擴展我們在標準逆不存在時仍能反轉與分解變換的能力。

學習成果：

• 使用加法與純量乘法原則定義並識別線性變換。
• 透過映射基底向量構造線性變換 T 的矩陣 A。
• 對信號（小波與傅立葉）進行基底變換，並利用偽逆 A^+ 推廣矩陣反轉。

🔹 第八課：工程與統計中的線性代數

概述： 本課探討線性代數在結構工程、網路理論、隨機過程、最佳化、訊號處理與資料科學等多元領域的實際應用。學生將學習 A^TCA 的基本架構如何支配物理系統，如何利用特徵值預測長期人口趨勢，以及如何利用正交函數將向量空間概念延伸至函數分析與統計。

學習成果：

• 使用剛度矩陣 K = A^TCA 建模彈簧與質量的物理系統。
• 利用關聯矩陣分析圖的連通性，並驗證網路的歐拉公式。
• 計算馬可夫矩陣的穩態向量，並應用佩龍-弗羅比尼烏斯定理於人口與經濟模型。

🔹 第九課：數值線性代數與迭代方法

概述： 本課探討線性代數在電腦上的實際實現，聚焦於從理論上的精確性過渡到數值穩定性與效率。學生將學習如何透過部分主元法減緩捨入誤差，利用運算次數優化稀疏與帶狀矩陣的計算，並使用條件數評估系統的敏感度。此外，課程也涵蓋求解大型系統的迭代技術與近似特徵值的方法。

學習成果：

• 分析捨入誤差的影響，並應用部分主元法確保高斯消去法的數值穩定性。
• 透過計算完整、帶狀與稀疏矩陣的運算次數，評估演算法的計算效率。
• 使用範數與條件數衡量線性系統的敏感度，特別是識別如希爾伯特矩陣等病態案例。

🔹 第十課：複數向量與酉矩陣

概述： 本課探討從實數過渡到複數，專注於其運算、在複數平面上的幾何表示與極座標形式。課程終結於研究專屬複數的矩陣結構——厄米特矩陣與酉矩陣，它們是對稱矩陣與正交矩陣在複數域的對應物。

學習成果：

• 進行複數的運算，並求出共軛與模。
• 將複數映射至複數平面，並在直角座標 (a + bi) 與極座標 (re^{i\theta}) 形式之間轉換。
• 應用歐拉公式簡化複數的乘積與冪次。