学习地图：概念如何长成一张网

这不是目录，而是依赖关系图与学习策略。读某个概念卡住时，回到这里看它依赖谁。

0. 先建立现实感

如果读完公式仍觉得空，先看两页：

• 概念—现实对应表：81 个概念各自对应现实中的什么、量级多大、类比在哪里失效。
• 叙事增强规范：本课程为什么要在定义之外写「现场、反事实、成本与失败」。
• 图示规划：哪些概念值得画图、每张图要回答什么判断、如何新增一张图。

然后回到每一篇的 §0（具体现场）与 §5（手算 + 场景闭环）。公式可以慢一点，但先要知道它在哪个真实问题上出现过。

1. 三条主线

线性代数看起来概念很多，其实只有三条主线。把每个新概念挂到某条线上，就不会迷路。

主线 A：表示（怎么用数字描述世界）

向量 → 基/坐标 → 张量 → 嵌入

• 核心问题：一个对象（箭头、图像、词、一句话）如何变成一串数？
• 关键洞察：表示不是唯一的，换一组基就是换一种描述方式。
• 大模型：token → embedding → 隐藏状态，全程都是在选表示。

主线 B：变换（对表示做什么）

矩阵 → 线性映射 → 乘法 → 逆 → 特征值

• 核心问题：一次线性变换对空间做了什么？能否拆解、撤销、简化？
• 关键洞察：矩阵不是「数字表格」，而是函数；乘法是函数的复合。
• 大模型：每一个线性层、每一次 attention 投影，都是这条线上的操作。

主线 C：分解（把复杂变简单）

行列式 → 特征分解 → 对角化 → SVD → 低秩近似

• 核心问题：一个复杂矩阵能否拆成几个简单矩阵的乘积？
• 关键洞察：分解的目的通常是理解结构或降低计算/存储。
• 大模型：LoRA 的低秩分解、量化的误差分析、PCA 降维。

三条线在 M11 汇合：一次 Transformer forward = 表示（A）+ 变换（B）+ 分解（C）。

2. 模块依赖图

最小可读子图（只想读懂 attention）： 0.3 → 1.3 → 1.4 → 1.6 → 3.2 → 3.3 → 3.6 → 7.1 → 11.3 → 11.4

3. 概念之间的「对偶」

很多概念成对出现。理解一对，等于理解两篇：

学习技巧：每学完一对，合上书写出「它们分别在问什么问题」。

4. 三种学习路线

路线 A：四周速成（工程优先）

路线 B：十周完整（推荐）

路线 C：研究者加餐

路线 B + 精读：6.4、7.3、8.3–8.5、9.3、10.2、11.3–11.8、12.2。 额外任务：用 NumPy 从零实现单头 attention，并用 SVD 分析一个随机权重矩阵的谱。

5. 每篇怎么读（20–40 分钟）

1. 先看场景（2 分钟）：不要急着看定义，先想「如果是我会怎么解决」。
2. 读直觉 + 定义（8 分钟）：在纸上画图；把定义中的每个符号念出来。
3. 遮住推导自己推（8 分钟）：尤其是 2×2 的例子。
4. 做练习（10 分钟）：至少做完计算题，再对答案。
5. 写三行笔记（2 分钟）：一句话直觉、一个公式、一个大模型落点。

如果一篇超过 40 分钟还没懂：不是你的问题，是前置缺了。回到「概念网络」补前置。

6. 复习节奏

• 当天：读完立刻做练习（主动回忆）。
• 第 3 天：只看「一页速记」，尝试复述定义。
• 第 7 天：做一遍模块自测；把错题记到错题本。
• 第 30 天：用 cheatsheets/公式速查.md 做一次全局串讲。

判断「学会了」的标准：能不看书画出概念图，并给一个没学过的人讲明白。

7. 常见学习陷阱