Bỏ qua tới nội dung chính

Hướng dẫn học chủ đề

Đại số tuyến tính

Linear Algebra

Cơ bảnkhoảng 35 giờ5 bước

Đại số tuyến tính: vector, ma trận và các phép biến đổi tuyến tính — nền tảng cho đồ họa máy tính và machine learning.

Bắt đầu học

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

  1. Cách nhìn tính toán: ma trận là bảng số; ta cộng, nhân, khử Gauss, tính định thức.
  2. 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 Sách

Giáo trình chính

Linear Algebra

Jim Hefferon · 2020 · Bản thứ 4

CC BY-SACơ bảnTiếng Anh526 trang

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

Có phíCơ bảnTiếng Anh440 trang

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

Linear Algebra Done Right

Sheldon Axler · 2024 · Bản thứ 4

CC BY-NCNâng caoTiếng Anh

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.

  1. Bước 1: Vector và hệ phương trình tuyến tính

    khoảng 6 giờ

    Vector, 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.

  2. Bước 2: Ma trận như phép biến đổi

    khoảng 8 giờ

    Nhân 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
  3. Bước 3: Không gian vector, cơ sở và hạng

    khoảng 8 giờ

    Độc 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.

  4. Bước 4: Trị riêng, vector riêng và chéo hóa

    khoảng 7 giờ

    Phương trình đặc trưng, chéo hóa, lũy thừa ma trận; ứng dụng vào dãy truy hồi và mô hình Markov.

  5. Bước 5: Trực giao, SVD và ứng dụng

    khoảng 6 giờ

    Phép chiếu, bình phương tối thiểu, Gram–Schmidt, phân tích SVD; áp dụng vào PCA và nén ảnh trong một khóa học máy.

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.

Chọn nguồn tự học

Kết hợp trực quan hình học với tính toán ma trận để hiểu bản chất thay vì chỉ học thuộc công thức.