◎ 图解：从代数的迷雾走向几何的清晰

一个扎心的提问

先问你一个问题： 行列式 (Determinant) 到底是什么？

如果你的脑海里瞬间蹦出的是“对角线法则”、“逆序数”或者那个让人眼花缭乱的展开公式，那么很遗憾，你可能并没有真正“懂”线性代数。你只是被训练成了一台熟练的计算机器。

在国内的线性代数教育里，我们太擅长算了。

但是，当你面对深度学习中的“低秩近似”，面对图形学中的“仿射变换”，面对量子力学中的“算子对易”时，你可能会突然卡壳：这些矩阵到底在空间里干了什么？

算术的巨人，直觉的矮子

这就是我们大多数人的现状：算术的巨人，直觉的矮子。

教科书教我们：矩阵 $\mathbf{A}$ 乘以向量 $\boldsymbol{x}$ 等于 $\boldsymbol{b}$。但它没告诉你：矩阵 $\mathbf{A}$ 其实是一台机器，它把空间中的每一个点，都吸入、扭曲、旋转，然后抛到了新的位置。

教科书教我们：行列式等于 0，矩阵不可逆。但它没告诉你：行列式就是体积的缩放率。等于 0 意味着这一巴掌下去，空间被拍扁了（降维了），变成了纸片甚至直线。把苍蝇拍扁了容易，想把扁苍蝇还原成活苍蝇？没门（不可逆）。

这个系列不是复习提纲，也不是考研速成。我不打算教你如何快速计算 $3 \times 3$ 的逆矩阵（这事儿交给 Python 甚至 Casio 都不丢人）。

我要做的是：带你回到定义诞生的原点，用几何的视角，把那些枯燥的公式重新“推导”一遍。

我们将经历七天的旅程：

Day 1: 矩阵的本质 扔掉数字表。矩阵是运动，是函数。$\mathbf{A}\boldsymbol{x}$ 不是乘法，而是列向量的线性组合。
Day 2: 四个子空间 这是 Gilbert Strang 的精华。矩阵把空间切成了四个部分，理解了它们，你就理解了线性方程组的全部解构。
Day 3: 秩与分块 秩是信息的维度。我们将学会如何用“分块矩阵”的宏观视角去处理庞然大物。
Day 4: 特征值与特征向量 寻找变换中的“不动点”。这是矩阵的灵魂，也是 Hamilton-Cayley 定理的栖息地。
Day 5: Jordan 标准型 面对不完美的世界。当矩阵无法对角化（亏损）时，我们如何用 Jordan 块来挽救？
Day 6: 可交换算子 $\mathbf{A}\mathbf{B} = \mathbf{B}\mathbf{A}$ 意味着什么？意味着这两个算子“和谐共处”，共享特征向量。
Day 7: SVD (奇异值分解) 终极武器。无论矩阵多么畸形，SVD 都能把它拆解为旋转、拉伸和旋转。