线性代数应用实践，一小时搞定｜从几何变换，到主成分分析，奇异值分解｜数学不难｜Linear Algebra Made Easy

本合集从“矩阵乘法如何作用于空间”出发，依次串联起正交、投影、回归、特征值、降维与奇异值分解，用一条**清晰的几何主线**，系统构建线性代数的空间直觉。 在这个视频中，你将系统理解： • 矩阵乘法如何统一描述缩放、旋转、剪切、投影与镜像 • 为什么正交矩阵与格拉姆–施密特正交化如此重要 • 线性回归在几何上，本质上是一次正交投影 • 特征值分解如何揭示“最重要的方向” • 主成分分析（PCA）为何等价于寻找最大方差方向 • 二次型与瑞利商如何连接几何、优化与特征值 • 奇异值分解（SVD）如何统一旋转、缩放、降维与信息压缩 这一合集并不追求公式堆砌，而是始终围绕一个核心目标：👉 *让你“看见”线性代数在空间中做了什么。* -------------------------------- ⏱ 本合集内容结构（Chapters）： 00:00 8. 矩阵乘法如何实现几何变换 03:40 9.格拉姆–施密特正交化 06:29 10. 线性回归：投影视角直观解读 12:43 11. 特征值分解的几何本质 28:42 12. 主成分分析：看见数据的主方向 36:55 13.1 二次型：矩阵如何“塑造”曲面？ 46:03 13.2 瑞利商：在单位圆与单位球上的几何观察 54:05 14.奇异值分解：矩阵的升维与降维 -------------------------------- This 1-hour video is a complete collection of Volume II of *Linear Algebra Made Easy*, focusing on the geometric interpretation and applications of linear algebra. Starting from matrix multiplication as a transformation of space, the lecture builds a unified geometric storyline connecting: • geometric transformations via matrices • orthogonal matrices and Gram–Schmidt orthogonalization • linear regression as an orthogonal projection • eigenvalue decomposition and principal directions • principal component analysis (PCA) and dimensionality reduction • quadratic forms and the Rayleigh quotient • singular value decomposition (SVD) and low-rank approximation The goal of this video is not formula memorization, but to develop geometric intuition for how linear algebra acts on space, data, and structure. This collection lays the geometric foundation for PCA, SVD, optimization, and many applications in machine learning and data analysis. -------------------------------- 📘 开源学习资源（书稿 & Python 代码） https://github.com/Visualize-ML 🎬《数学不难·线性代数》完整播放列表    • 线性代数  |  数学不难 Linear Algebra Made Easy   ☕ 支持创作 https://buymeacoffee.com/drginger_jiang 加入 Join this channel to get access to perks:    / @drginger_jiang   📩 联系邮箱 [email protected] -------------------------------- 本频道持续发布《数学不难》系列动画，涵盖线性代数、概率统计与高等数学，致力于用几何直觉和可视化方式，让数学真正“看得见、想得通”。 如果这个视频对你有帮助，欢迎点赞 👍 分享 📤 订阅 🔔 也可以通过 ❤️ Super Thanks 或 ☕ Buy Me a Coffee 支持创作。