4.1.1 线性代数路线图：数据是向量，批量是矩阵

线性代数是 AI 表示数据和变换数据的语言。不要从背证明开始，先看每个对象在代码里做什么。

先看地图

本小章流向是：

概念	在 AI 里的第一层意思
向量	一个对象写成一串数字
矩阵	多个向量叠在一起，或表示一种变换
点积	对应位置相乘后求和
矩阵乘法	一次做很多个点积
特征值/特征向量	重要方向，是理解 PCA 的入口

跑最小闭环

创建 linear_algebra_first_loop.py，安装 numpy 后运行。

import numpy as np

student = np.array([90, 85, 92])
students = np.array(
    [
        [90, 85, 92],
        [70, 88, 75],
        [95, 91, 89],
    ]
)
weights = np.array([0.4, 0.2, 0.4])

single_score = student @ weights
all_scores = students @ weights

print("student_vector:", student)
print("matrix_shape:", students.shape)
print("single_score:", round(single_score, 2))
print("all_scores:", all_scores.round(2))

预期输出：

student_vector: [90 85 92]
matrix_shape: (3, 3)
single_score: 89.8
all_scores: [89.8 75.6 91.8]

如果误用 * 而不是 @，得到的是逐元素相乘，不是加权得分。这是新手最值得先分清的地方。

按这个顺序学

顺序	阅读	先抓住什么
1	4.1.2 向量	对象 -> 向量、长度、点积、余弦相似度
2	4.1.3 矩阵	批量数据、矩阵乘法、X @ W + b
3	4.1.4 特征值与特征向量	特殊方向、PCA 直觉
4	4.1.5 向量空间	基、维度、线性变换

通过标准

能解释为什么一个样本是向量、一批样本是矩阵、@ 在做什么，以及这些概念为什么会出现在 RAG 相似度、PCA 和神经网络层里，就算通过。

检查思路与讲解

• 线性代数路线通过的标志是：你能把 X @ W 同时读成 shape 运算和一批点积。
• 证据至少保留一个向量相似度例子、一个矩阵变换例子、一个 PCA 或特征向量图、一个 SVD 或 rank 检查。
• 重点不是公式写得漂亮，而是说清方向、长度、维度或冗余信息发生了什么变化。

留下的证据

学完这一页，至少保留这张证据卡：

数学对象

向量、矩阵、特征值、基或向量空间概念

数值示例

用于计算它的简单数字或 NumPy 片段

可视化或输出

形状、变换后的点、相似度分数、特征方向或投影

AI 关联

这里出现在 embeddings、批次、PCA、神经层或注意力中

期望产出

计算过程，以及一句把它和 AI 操作联系起来的话