嗷嗷本人目前数学系大三，对高等代数大致复习一遍之后的思路整理，个人想法居多，不严谨，仅供参考，有错误欢迎指出，有建议欢迎交流。 本文以《高等代数（北大第三版）》为参考 文末会列举一些其他线性代数方面的参考书

多项式：工具，要求掌握整除/最大公因式/因式分解定理（复数，实数）/多项式函数。用途：矩阵的多项式计算，特征多项式，λ矩阵中的不变因子/初等因子 行列式：工具，要求掌握基本性质/计算。用途：线性方程组的表示/解法/解的结构，矩阵是否退化 矩阵：工具，要求掌握基本性质/计算/初等变换/秩。对角矩阵，准对角矩阵，上三角矩阵，幂零矩阵，单位矩阵，初等矩阵…… 二次型：矩阵的应用，将二次型转化为对称矩阵的研究，合同/标准型/正定矩阵。正定/半正定矩阵在最优化中起作用 线性空间：重点研究对象，线性变换的基础。要求掌握线性空间的基本性质，映射/基/维数/坐标/子空间/子空间的交/和/直和/同构 线性变换：重点研究对象。线性空间到自身的映射，可用基/矩阵/坐标表示，将抽象的线性变换转化为矩阵和坐标来具体研究。重点是特征值/特征向量，它们的性质/求法，线性变换的矩阵表示，矩阵的相似与判定计算，对角化/若当标准型，值域/核/不变子空间 λ矩阵：研究线性变换的工具，将线性变换在不同基下的矩阵/矩阵的相似关系转化为λ矩阵的等价关系，定义不变因子/初等因子，可用于若当标准型的计算，对角化的判定 欧几里德空间：线性空间的一种，在线性空间中引入距离（内积）的概念，应用广泛（解析几何，数值计算），要求掌握内积/标准正交基/正交变换/子空间/实对称矩阵的标准型 简单地说，我认为高等代数的最重要的是线性空间和线性变换，掌握了线性变换的思想，高等代数基本就学的差不多了。前面的多项式、行列式、矩阵等都是为了研究线性空间和线性变换的工具，当然它们除了线性代数以外在其他地方也有广泛的用途，但我们现在主要关注它们与线性空间有关的部分。而欧几里得空间是线性空间中应用广泛的一种，但在本课程中只作为介绍，在其他课程用到它时再详细研究。

相信很多人学习高等代数/线性代数都有这样的疑惑，行列式会算了，矩阵特征值会求了，各种性质证明也明白了，但是为什么要研究这些东西，脉络是什么，不懂。 对我个人来说，我认为是这样的：高等代数是研究“线性运算”的，线性运算大概可以说是最简单、人类掌握最扎实的运算，有各种良好的分析性质，而在实际应用（工程）中应用也很多，尤其现在计算机计算速度越来越快，大型计算已经被广泛应用，而线性运算是非常普遍的，或者说很多复杂运算也要转化成线性运算来处理。而数学研究的就是，剥离了问题的实际背景，仅仅对于“线性运算”，它会有哪些属性，如何化简、运算等等，给出严格的证明，以便在工程中能有理有据的处理线性运算。 当然，关于“有什么用”这种问题网上还有许多答案，比如知乎上“线性代数有什么用？学习线性代数的意义在哪？”https://www.zhihu.com/question/36845076，都可供参考。

数域：最常用的比如有理数域、实数域、复数域。在不同数域中结果有所不同，与各个数域的特性有关，在此不细说。在高等代数中它们的区别主要在于因式分解定理的结果，以及对于因式分解定理的应用（特征值、若当标准型等）。我们只需注意哪些结论是在这三种数域都有的，哪些是复数域、实数域特有的即可。 一元多项式环：了解 整除：带余除法 最大公因式：任意两个多项式f、g，存在最大公因式d，且d可以表示成f和g的组合 互素：继承了最大公因式为1时的性质 因式分解定理：重要，与数域有关，重点掌握复数和实数的 重因式：了解 小结：后续会有线性变换的多项式、矩阵的多项式，以及关于特征值的讨论中用到多项式的性质，哈密顿-凯莱定理

本书中行列式是从线性方程组的唯一解（克拉默法则的结果）的计算引入的 n级行列式的定义：所有取自不同行不同列的n个元素的乘积（按一定规则带有正负号）的代数和 行列式的性质：7个 初等行变换：3个，后面矩阵的初等变换、初等矩阵会用到 行列式按一行展开：余子式，代数余子式，理论上有用 克拉默法则：线性方程组解的存在唯一性的充要条件（系数矩阵行列式等于0），理论上有用 拉普拉斯定理：k级子式（余子式和代数余子式的推广），拉普拉斯定理（按行展开的推广）

使用行列式求解线性方程组，以及无解、唯一解、无穷解的判定、计算，无穷解时解得结构，解空间。 在后续对矩阵、线性空间的研究中会有一些解线性方程组的问题，比如求特征向量等 初等变换：保持了解不变对行列式变换，消元法，一般解，自由未知量，增广矩阵。初等变换是揭露方程之间关系的一种方法 n维向量空间：为了描述线性方程组引出n维向量。给出了n维向量的基本性质，定义、相等、加法、交换律、结合律、零向量、负向量、向量减法、数量乘积，定义向量空间：数域P中n维向量的全体并考虑它们的加法和数量乘积。这部分要熟练掌握，在第六章线性空间中会用到。 线性相关性：两向量“成比例”对于n个向量的推广；线性组合，线性表出，向量组等价，线性相关，线性无关，极大线性无关组，向量组的秩。从名字就能看出来“线性相关”在“线性代数”中是一个很基本很重要的概念。判定一个向量组是否线性相关可以归结为一个线性方程组，反之也成立（线性方程组Ax=b是否有解即b是否是A的列向量的线性表示，x是线性组合的系数）。 矩阵的秩：向量组的秩的推广，也说明矩阵可以看做一组行/列向量。n*n方针满秩（非退化）等价于行列式不为零。齐次方程是否有非零解，线性方程组是否有唯一解。秩与k级子式的关系。线性方程组有解判定定理 线性方程组解的结构：齐次方程组的解的关系，基础解系。非齐次线性方程组的解与其导出组解得关系，解的结构。线性方程组的几何意义

矩阵概念的背景：通过线性方程组引出，线性代数的主要研究对象（个人认为：线性代数各种抽象概念都可以通过某些方式通过矩阵表示，比如线性方程组、二次型、线性变换等，相当于载体）。许多其他领域的问题也可以用矩阵表示，从而运用线性代数中矩阵的结论来处理。 矩阵的运算：加法、结合律、交换律、零矩阵、负矩阵、矩阵和的秩、矩阵乘积、乘积结合律、乘积不符合交换律、单位矩阵、矩阵的方幂、数量乘法、转置。注意矩阵除了加法和数乘以外，还定义了矩阵乘积和方幂，为后面矩阵的多项式运算打基础。矩阵的乘法一开始接触可能会摸不着头脑，其实它是为了表示第七章中线性变换的复合，到时候就会明白这种定义方式的目的了。 矩阵乘积的行列式与秩：矩阵乘积的行列式等于行列式的积。乘积退化则因子至少有一个退化。乘积的秩小于因子的秩。 矩阵的逆：乘积的逆运算，伴随矩阵：利用代数余子式给出了矩阵逆的理论计算。 矩阵的分块：矩阵分块的加法和乘积与矩阵加法和乘积相同，非常方便。 初等矩阵：矩阵的初等变换等价于与一个初等矩阵相乘，左行右列。给出矩阵等价的概念，即秩相等，这是一个比较容易满足的关系。

二次型本身是一个很重要的概念，比如解析几何中的二次曲面，最优化中的二次规划。 二次型及其矩阵表示：二次型在任一坐标下可以用一个对称矩阵A表示。二次型坐标系的线性替换（非退化）保持二次型，在矩阵中对应一个非退化的矩阵C，使B=C'AC，B仍是对称矩阵，称为合同变换。合同是两个对阵矩阵的关系，实质上是它们的规范型相同，意义是它们是同一个二次型在不同坐标系下的矩阵。 标准型：通过配方，任意一个二次型都可以经过非退化线性替换变为只含平方项的二次型，即对称矩阵一定合同于一个对角矩阵。 唯一性：标准型中系数不为零的平方项个数是唯一确定的，与线性替换无关，称为二次型的秩。用规范型表示这一性质，复数/实数二次型都存在唯一的规范型，区别是复数的规范型只有1和0，实数有1，-1,0。 正定二次型：惯性定理：实数规范型的1、-1个数，称为正惯性指数、负惯性指数。由这些指数，规定正定矩阵（正定二次型）、半正定、负定、半负定、不定。其中正定二次型是应用最广泛的，比如利用它的正定性定义范数，凸函数的二次判定，第九章中的度量矩阵等等。需要掌握正定二次型的集中判定方法：定义、与单位矩阵合同、顺序主子式全部大于零。

从此真正进入线性代数的抽象领域。线性空间并不是研究数组（坐标）的，而是研究一切具有线性性质的东西（概念），数组（坐标）是用来表示线性空间中元素的工具。 集合·映射：基础中的基础，相信学数学的对这东西已经很熟悉了，数学分析、实变函数里都有更深入的研究 线性空间的定义与简单性质：定义：集合V，数域P，元素对加法和数乘封闭（封闭的概念很重要），即为线性空间。性质：8条规则。几个常见的线性空间，向量的概念。 维数，基，坐标：首先沿用了第三章线性方程组中n维向量空间的一些概念（线性组合，向量组等价）。本课程中只研究有限维空间。如果空间是有限维的，那一定有n个线性无关向量可以线性表示空间中的任何向量，成为空间的一组基；线性表示的系数称为这个向量在这组基下的坐标。由于线性性质，基是描述线性空间的很方便的工具，当我们确定了一组基，就可以确定整个线性空间（“生成”或叫“张成”，在研究子空间时也很方便）；在线性变换中，当我们确定了基的线性变换，就确定了整个空间的线性变换。 基变换与坐标变换：一个空间有无穷组基，它们相差一个过渡矩阵。同一向量在不同基下的坐标也相差这个过渡矩阵。这里我们可以感受到，基向量和坐标只是空间、向量在一定规则下的较为方便的表示，它们之间的对应关系需要搞清楚，比如在给出一个向量的坐标之前必须先确定基向量，否则这组坐标毫无意义。第七章中线性变换与矩阵的关系也差不多。 线性子空间：子空间是线性代数中的重要定义，后续还有不变子空间等。按定义理解即可。需要掌握一些常见的子空间，线性子空间的判定，子空间与基的关系。 子空间的交于和：同一线性空间中两个子空间的关系，维数定理。 子空间的直和：重要的概念，可用于空间的分解，之后只要研究分解后的空间即可，这是数学中简化问题的重要思想。需要掌握直和的几个定价判定，补空间。 线性空间的同构：一直到现在我们并没有定义向量大小、方向的概念（这些在赋范空间才涉及），只有线性相关、线性无关，也就是向量组的维数。同构是指两个线性空间之间有线性双射，则这两个线性空间同构，同时这个映射被称为同构映射。（有限维情况下）同构的充要条件是两个线性空间的维数相同。也就是说直到目前一个线性空间的属性只有维数，两个维数相同的空间在这样抽象的视角下是没有区别的；而一个有限维线性空间一定与n维向量空间同构，这也是我们可以用n维向量组表示线性空间的原因。

个人认为最核心的一章，需要反复理解。 线性变换的定义：注意线性变换本身不需要双射，即对应矩阵不一定可逆。几个常见的线性变换。线性变换把线性相关的向量组变成线性相关的向量组。当我们确定了基的线性变换，就唯一确定了整个空间的线性变换 线性变换的运算：乘积（类似复合函数），加法，数乘，逆（如果可逆的话），线性变换的多项式 线性变换的矩阵：在给定线性空间V的一组基下，V中一个线性变换与一个n维矩阵一一对应，即线性变换可以用矩阵表示，矩阵也可看成一个线性变换。矩阵的运算与线性变换的运算“完全对应”，因此矩阵是线性变换的很好用的研究工具；也解释了矩阵乘法的定义。同一线性变换在两组基下的矩阵分别是A和B，两组基的过渡矩阵是X，则B=X^(-1)AX，称这两个矩阵相似。也就是说，在“线性变换”的意义下我们认为这两个矩阵说的是一回事（在描述同一个线性变换），我们称它们是相似的。从此我们可以看出，当不规定基向量时，同一个线性变换对应一族具有相似关系的矩阵，那么到底有什么特征可以唯一的对应一个线性变换？这些矩阵的相似特性到底是什么？一个线性变换对应的最“简单”的矩阵是什么？这些就是本章以及第八章的研究内容 特征值与特征向量：为了解决上述问题所规定的概念，我们先学习特征值和特征向量本身的性质、计算，再来看它们是如何解释上面的问题。从定义来看，特征值和特征向量是线性变换的属性而不是矩阵的属性。要求会求特征值（归结为一个求多项式根的问题），特征多项式，会求特征向量（归结为一个解线性方程组的问题），特征子空间。相似的矩阵有相同的特征多项式，反之不成立。哈密顿-凯莱定理，非常重要 对角矩阵：对角矩阵是最简单的矩阵，我们希望知道那些矩阵与对角矩阵相似，也就是说那些线性变换在一组适当的基下可以表示成对角矩阵。本节有许多定理，不一一列举了 线性变换的值域与核：比较重要的概念，要求掌握值域与核的关系，了解相关定理 不变子空间：之前说过子空间是化简问题的重要途径。要求掌握不变子空间的矩阵性质，以及一个将V分解成不变子空间的直和的定理。 若当标准型：（复数域内）每个线性变换都存在的一个最简单矩阵形式，非常重要。在此只做了解，第八章会研究它的相关计算 最小多项式：可用于判定矩阵能否对角化。在第八章会用到

lambda矩阵是为了判定矩阵相似以及计算若当标准型的工具 lambda矩阵：先给出lambda矩阵的定义和基本性质，与数字矩阵的区别。lambda矩阵可逆的充要条件是其行列式是一个非零的数 lambda矩阵在初等变换下的标准型：注意初等变换与数字矩阵的区别，️给出lambda矩阵等价的概念，lambda矩阵的标准型（与数字矩阵等价于对角矩阵类比）及其计算 不变因子：lambda矩阵的标准型唯一，k级行列式因子，lambda矩阵的等价条件（秩相等且各级行列式因子相等，或有相同的不变因子），不变因子及其计算，可逆条件 矩阵相似的条件：数字矩阵相似等价于它们的特征矩阵（lambda矩阵）等价，也就是通过lambda矩阵判定它们是否相似，不变因子是矩阵的相似不变量 初等因子：（复数域内）与一组不变因子对应的初等因子，可更方便的判定相似以及计算若当标准型 若当标准型的理论推导：每个n级复数矩阵都相似于唯一的（不考虑若当块次序）的若当标准型，即任一复数域上n维线性空间中的线性变换，必存在一组基，使得这个线性变换在这组基下的矩阵是若当型，且若当型唯一（不考虑若当块次序），给出相似对角化条件，给出用初等因子计算若当标准型的方法 矩阵的有理标准型：不是复数域而是有理数域，了解

引入内积的概念，定义了向量之间的大小、位置关系，在很多现实问题中有用 定义与基本性质：内积，欧几里得空间，柯西施瓦茨不等式，正交，一组基的度量矩阵（度量矩阵是正定的） 标准正交基：为了方便计算需要让基标准正交化，比如解析几何中的坐标系。正交向量组，性质，计算（施密特正交化过程） 同构：与线性空间中矩阵的同构相比，添加了一条同构映射后内积相等的性质。每个n维欧氏空间都与Rn同构。 正交变换：解析几何中的概念。即保持内积不变的线性变换，其对应矩阵行列式为1或-1 子空间：相信到现在大家已经熟悉子空间的概念了，欧氏空间中子空间之间除了交、和还有正交关系 实对称矩阵的标准型：正交矩阵，对第五章实对称矩阵的结果加强，对称变换。给出了一些实对称矩阵的性质和计算 向量到子空间的距离·最小二乘法：最小二乘法在很多课程中都有涉及，在此是从线性空间的角度描述它，了解 酉空间介绍：把欧氏空间推广到复数域带来的新性质，内积，酉矩阵，埃尔米特矩阵。本书对于酉空间的介绍较少，学长建议看丘维声的高等代数，目前还没看

这里一般不作要求了，没仔细看，如果以后看了再补上

大概就写到这里，主要是复习一遍之后对知识点的梳理，大致知道一本书都讲了些什么。 对于这本北大的高等代数，我认为第一遍学不是很适合，虽然定理证明都很清楚，但是感觉过于理性化，对于一些感性的认识写的很少，一开始可能搞不清楚学习脉络和重点。 其他参考书： 高等代数（丘维声），还没看，据说顺序和国内大部分书不一样，后续准备看看 线性代数应该这样学，外国的书，大概看了一遍感觉不错，先将线性变换（书里叫算子），再讲矩阵，最后将行列式，感觉比较好接受 线性代数及其应用，还没看 最后的话：高代从大一开始学，当时学完其实不是很理解在讲什么，后来学了很多后续课程用到矩阵的知识，包括学了数值线性代数之后，看问题的角度多了很多，感觉至少比大一的时候理解多了。