Bạn sẽ học được gì
- Giải hệ phương trình tuyến tính bằng phép khử Gauss và hiểu khi nào hệ có nghiệm
- Xem ma trận như một phép biến đổi hình học: quay, co giãn, chiếu
- Làm việc với không gian vector, cơ sở, số chiều và hạng của ma trận
- Tính và diễn giải trị riêng, vector riêng; chéo hóa ma trận
- Nhận ra đại số tuyến tính trong đồ họa máy tính và machine learning (PCA, SVD)
Giới thiệu
Đại số tuyến tính nghiên cứu vector, ma trận và các phép biến đổi "thẳng" — những phép biến đổi giữ nguyên phép cộng và phép nhân với một số. Nghe trừu tượng, nhưng đây là ngôn ngữ chung của đồ họa máy tính, xử lý ảnh, machine learning, mô phỏng vật lý và cả công cụ tìm kiếm.
Hai cách nhìn cần song hành
- Cách nhìn tính toán: ma trận là bảng số; ta cộng, nhân, khử Gauss, tính định thức.
- Cách nhìn hình học: ma trận là một phép biến đổi không gian — kéo, xoay, chiếu các vector. Tích hai ma trận là làm lần lượt hai phép biến đổi.
Người mới thường chỉ học cách thứ nhất nên thấy môn học khô khan. Khi luôn tự hỏi "phép biến đổi này làm gì với hình vuông đơn vị?", các khái niệm như định thức (diện tích bị co giãn bao nhiêu lần) hay trị riêng (hướng không bị xoay) trở nên hiển nhiên.
Lộ trình tư duy
- Vector và tổ hợp tuyến tính → hệ phương trình Ax = b
- Ma trận như phép biến đổi → nhân ma trận, ma trận nghịch đảo, định thức
- Không gian vector → cơ sở, số chiều, hạng, không gian cột và không gian nghiệm
- Trị riêng, vector riêng → chéo hóa, lũy thừa ma trận
- Trực giao → chiếu, bình phương tối thiểu, SVD
Công cụ nên dùng
Dùng Python với NumPy để kiểm tra lời giải tay và vẽ các phép biến đổi 2D. Việc tự lập trình phép khử Gauss một lần giúp hiểu thuật toán sâu hơn nhiều so với chỉ làm bài trên giấy.
Giáo trình & sách tham khảo
Xem tất cả trong tab SáchGiáo trình chính
Linear Algebra
Jim Hefferon · 2020 · Bản thứ 4
Vì sao chọn: Giáo trình mở (CC BY-SA), miễn phí trọn bộ và có sách lời giải cho mọi bài tập. Đi từ phép khử Gauss tới không gian vector, ánh xạ tuyến tính, định thức và chéo hóa — khớp bước 1–4 của lộ trình.
Nên đọc: Chương 1–5
Introduction to Linear Algebra
Gilbert Strang · 2023 · Bản thứ 6
Sách của môn MIT 18.06, đi kèm bài giảng video của chính tác giả trên MIT OpenCourseWare. Nhấn mạnh trực giác hình học, bốn không gian con cơ bản và ứng dụng — nên có nếu bạn học theo video của Strang.
Nên đọc: Toàn bộ; Chương 7 cho SVD
Mathematics for Machine Learning
Marc Peter Deisenroth, A. Aldo Faisal, Cheng Soon Ong · 2020
PDF miễn phí từ tác giả. Nối đại số tuyến tính với học máy: phân rã ma trận (trị riêng, SVD) và PCA — đọc ở bước 5.
Nên đọc: Chương 2–4 và Chương 10
Linear Algebra Done Right
Sheldon Axler · 2024 · Bản thứ 4
Cách tiếp cận lý thuyết, chứng minh chặt chẽ; bản điện tử miễn phí hợp pháp (CC BY-NC). Đọc sau khi đã vững tính toán nếu muốn học sâu hoặc chuẩn bị cho toán cao cấp.
Nên đọc: Chương 1–3 và 5–7
Các bước học
Đăng nhập để đánh dấu các bước đã hoàn thành.
Bước 1: Vector và hệ phương trình tuyến tính
khoảng 6 giờVector, tổ hợp tuyến tính, không gian sinh; viết hệ phương trình dạng Ax = b và giải bằng phép khử Gauss. Tự lập trình phép khử Gauss bằng Python.
- Đọc: Chương One: Linear Systems (I–III) — Linear Algebra
Bước 2: Ma trận như phép biến đổi
khoảng 8 giờNhân ma trận là hợp các phép biến đổi; ma trận nghịch đảo, định thức và ý nghĩa hình học. Vẽ tác động của vài ma trận 2×2 lên lưới ô vuông.
- Đọc: Chương Three: Maps Between Spaces (II–IV) và Chương Four: Determinants — Linear Algebra
Bước 3: Không gian vector, cơ sở và hạng
khoảng 8 giờĐộc lập tuyến tính, cơ sở, số chiều; không gian cột, không gian nghiệm và định lý hạng. Tự kiểm tra bằng đề thi giữa kỳ.
- Đọc: Chương Two: Vector Spaces (II Linear Independence, III Basis and Dimension) — Linear Algebra
- Đọc: Chương 2 Finite-Dimensional Vector Spaces — Linear Algebra Done Right
Bước 4: Trị riêng, vector riêng và chéo hóa
khoảng 7 giờPhương trình đặc trưng, chéo hóa, lũy thừa ma trận; ứng dụng vào dãy truy hồi và mô hình Markov.
- Đọc: Chương Five: Similarity (II) — Linear Algebra
- Đọc: Chương 5 Eigenvalues and Eigenvectors — Linear Algebra Done Right
Bước 5: Trực giao, SVD và ứng dụng
khoảng 6 giờPhép chiếu, bình phương tối thiểu, Gram–Schmidt, phân tích SVD; áp dụng vào PCA và nén ảnh trong một khóa học máy.
- Đọc: Chương Three, VI Projection — Linear Algebra
- Đọc: Chương 7 (SVD) — Introduction to Linear Algebra
- Đọc: Chương 4 Matrix Decompositions và Chương 10 Dimensionality Reduction with PCA — Mathematics for Machine Learning
Khái niệm chính
- Tổ hợp tuyến tính
- Tổng các vector nhân với hệ số; tập mọi tổ hợp tuyến tính của một nhóm vector gọi là không gian sinh (span) của chúng.
- Phép biến đổi tuyến tính
- Hàm giữa các không gian vector giữ nguyên phép cộng và nhân vô hướng; mọi phép biến đổi như vậy đều biểu diễn được bằng một ma trận.
- Định thức
- Hệ số co giãn thể tích của phép biến đổi; bằng 0 khi phép biến đổi làm dẹt không gian, lúc đó ma trận không khả nghịch.
- Hạng (rank)
- Số chiều của không gian cột — số hướng độc lập mà phép biến đổi còn giữ lại.
- Trị riêng và vector riêng
- Vector riêng chỉ bị co giãn (không bị đổi hướng) qua phép biến đổi; hệ số co giãn đó là trị riêng: Av = λv.
- Trực giao và phép chiếu
- Hai vector trực giao khi tích vô hướng bằng 0; phép chiếu lên một không gian con cho điểm gần nhất — cơ sở của bình phương tối thiểu.
- Phân tích giá trị kỳ dị (SVD)
- Viết mọi ma trận thành tích quay – co giãn – quay; dùng trong nén ảnh, PCA và hệ gợi ý.
Học xong để làm gì
- Đồ họa máy tính và game: biến đổi, quay, chiếu vật thể 3D lên màn hình
- Machine learning: biểu diễn dữ liệu dạng ma trận, PCA giảm chiều, mạng nơ-ron là chuỗi phép nhân ma trận
- Xử lý ảnh và tín hiệu: lọc, nén ảnh bằng SVD
- Hệ gợi ý và công cụ tìm kiếm (PageRank là bài toán vector riêng)
- Mô phỏng kỹ thuật và vật lý: giải hệ phương trình lớn
Câu hỏi thường gặp
Có cần học Giải tích trước không?
Không bắt buộc. Đại số tuyến tính gần như độc lập với Giải tích; chỉ cần đại số phổ thông. Hai môn gặp lại nhau ở các chủ đề nâng cao như tối ưu hóa.
Học để làm machine learning thì cần sâu tới đâu?
Nắm chắc ma trận như phép biến đổi, hạng, trị riêng, trực giao và SVD là đủ để đọc hầu hết tài liệu machine learning nhập môn.
Làm sao nhớ các định lý?
Gắn mỗi định lý với một hình ảnh 2D: vẽ phép biến đổi trên lưới ô vuông. Khi hiểu hình ảnh, phát biểu định lý tự nhiên sẽ theo sau.
Mất bao lâu?
Khoảng 35 giờ theo lộ trình, tức 6–7 tuần nếu học 5 giờ mỗi tuần, bao gồm thời gian làm bài tập.



