1. 线性代数的实际应用综述
这篇文章全面概述了线性代数在现代科学与工程中的具体应用场景。它详细解释了线性代数如何为计算机科学算法、工程学电路分析、经济金融市场建模以及物理学和密码学提供核心数学工具，帮助读者将抽象的代数概念与现实世界的具体问题联系起来。
2. 线性代数在计算机科学中的应用
这是一份演示幻灯片，专门介绍线性代数在计算机科学领域的广泛应用。内容涵盖了数字图像处理、视频游戏物理引擎、搜索引擎算法、音频数据压缩以及密码学等。它强调了矩阵和向量操作在现代计算机编程、机器学习和计算机视觉底层算法中的核心地位。
3. 线性代数简史
该文档追溯了线性代数的历史发展脉络。从4000年前古巴比伦和古中国求解简单线性方程组的智慧开始，一直讲到高斯消元法的发展，以及西尔维斯特和凯莱对矩阵理论的形式化定义。文章还探讨了线性代数在现代量子力学和工程技术中日益增长的地位。
4. 代数史播客 (SDS 460)
这是一期由Jon Krohn主持的播客节目，主要讲述代数在古代的历史起源及其对现代数据科学的深远影响。节目中提到“代数”一词源自公元9世纪波斯数学家花拉子密的著作，其名字甚至衍生出了“算法”一词。内容强调了代数在机器学习、降维和推荐系统中的重要性。
5. 线性代数的早期历史数字项目
这是一个探索古代中国线性代数起源的数字历史网站。基于学者的研究指出，早在公元前150年中国古代数学著作（如《九章算术》）就已经包含了类似高斯消元法和行列式的早期形式。该项目旨在通过交互式网页复原古代算筹运算，探讨这些实践对现代线性代数发展的历史贡献。
6. 线性代数 - 维基百科
这是维基百科上关于线性代数的综合性百科词条。页面系统地涵盖了线性代数的核心数学概念，包括向量空间、线性映射、矩阵运算、线性方程组、特征值与特征向量等。该页面还介绍了线性代数在解析几何、泛函分析、工程计算和量子力学等多个领域的应用与理论扩展。
7. 线性代数基与维度 (交互式教材)
代尔夫特理工大学提供的交互式线性代数开源教材章节，专门讲解子空间的“基”和“维度”。文章通过多维空间和直观的几何示例，详细解释了生成子空间、线性独立集以及如何通过缩减冗余向量来寻找矩阵的基，并配有寻找零空间和列空间基的详细计算步骤。
8. 线性代数核心：秩、基与维度
这是一篇通俗易懂的学习博客，配合MIT的公开课内容，用直白的语言解析了矩阵的“秩”、向量空间的“基”以及“维度”等抽象概念。文章详细解释了满秩、列满秩和行满秩是如何决定线性方程组解的数量的，帮助读者建立关于矩阵本质大小和不同空间关系的直观理解。
9. 维度、秩与行列式讲义
这份大学讲义详细阐述了线性代数中维度、秩和行列式的基本定义与相关定理。文档通过具体的矩阵化简示例，演示了如何利用行阶梯形式寻找列空间和零空间，并验证了秩定理（秩+零化度=列数）。此外，讲义还介绍了行列式的余子式展开方法及其在判断矩阵可逆性中的作用。
10. 矩阵分解指南
本指南系统地介绍了几种最常用的矩阵分解技术，包括特征值分解、相似变换、奇异值分解（SVD）、LU分解、Cholesky分解和QR分解。文章重点说明了将复杂矩阵拆分为简单矩阵乘积的数学逻辑及其在计算效率上的巨大优势，为学习机器学习和数值分析打下了坚实基础。
11. 矩阵分解综合教程
这份来自西北大学电气与计算机工程系的教程全面概述了各种矩阵分解方法与原理。文档回顾了矩阵乘法的视角和特殊矩阵的定义，随后深入推导了SVD、LU、Cholesky、QR以及Schur和特征值分解等经典方法。文章给出了严谨的数学证明，并探讨了它们在最小二乘拟合中的实际价值。
12. 矩阵分解 - 维基百科
维基百科上的矩阵分解词条，详细归纳了数值线性代数中各种用于简化计算的矩阵分解形式。页面根据具体的应用场景（如求解线性方程组、求解特征值问题等）将分解方法分类，简要介绍了每种方法的适用条件及特点，是查阅LU、QR、SVD、极分解等算法的极佳参考。
13. Python计算统计学：线性代数与矩阵分解
这份计算统计学文档介绍了大规模线性系统和矩阵分解的Python编程实践。教材以Netflix推荐系统竞赛等大数据处理问题为切入点，引入LU、Cholesky及SVD分解的必要性，并展示了如何使用Numpy和SciPy等Python库来进行高效的矩阵运算和最优化问题求解。
14. 为什么数值计算通常首选QR分解
这篇技术笔记探讨了在计算与数学软件系统中，为什么QR分解往往比LU分解或正规方程更受青睐。文章指出，尽管QR分解的计算成本相对较高，但它在处理病态矩阵和矩形矩阵的最小二乘问题时具有极其卓越的数值稳定性，同时QR算法也是现代矩阵特征值计算的核心基础。
15. QR分解 - 维基百科
该词条详细解释了将矩阵分解为正交矩阵(Q)和上三角矩阵(R)的完整过程。文章重点介绍了三种主要的计算算法，包括格拉姆-施密特正交化过程、豪斯霍尔德变换（Householder reflections）以及吉文斯旋转（Givens rotations），并讨论了QR分解在解决线性反问题中的重要应用。
16. 特征值、奇异值与QR分解笔记
由纽约大学Michael Overton撰写的数值计算笔记，深入剖析了特征值和奇异值分解（SVD）的数学定义及其几何意义（如将球面映射为多维椭圆）。笔记进一步介绍了QR分解的缩减形式及其在计算矩阵伪逆中的应用，并强调了这些概念在实际计算编程中的操作细节。
17. QR分解与稠密LU分解求解精度对比
这是一篇数值计算实战博文，作者利用C++和LAPACK库通过数值实验对比了QR分解和带部分主元的LU分解在求解线性方程组时的准确性。文章构建了一系列包含病态、非正规等麻烦特性的矩阵，通过图表数据直观地证明了QR分解在处理这些挑战性系统时拥有更出色的误差稳定性。
18. LU-QR混合求解器的设计与性能稳定性
这篇学术论文创新性地提出在单次矩阵分解求解中混合使用LU和QR两种算法。由于LU运算速度快但依赖主元稳定性，而QR绝对稳定但计算量翻倍，该混合求解器通过设计动态的鲁棒性判定标准，成功在多核分布式内存平台上实现了计算速度与数值稳定性的最佳权衡。
19. 带面板秩揭示主元选择的LU分解技术
伯克利大学的一份数值算法技术报告，提出了一种新型的LU分解算法（LU PRRP），该算法以强秩揭示QR面板分解为基础。论文通过大量数值实验证明，该新算法不仅在误差增长因子的理论上界和实践中优于传统的高斯消元法（GEPP），而且成功衍生出了高度优化的避免通信版本。
20. 稀疏线性代数优化模式
这篇探讨计算设计模式的文档，专注于稀疏线性代数的系统优化策略。文章详细讨论了在稀疏矩阵运算中，如何通过压缩稀疏行（CSR）、缓存分块（Cache Blocking）和寄存器优化等高级数据结构与模式设计，来最小化内存存储开销并最大化处理器的指令吞吐量与内存带宽利用率。
21. 混合编程环境下的并行稀疏矩阵乘法测试
这是一篇关于高性能计算的研究论文，通过在多核集群环境下测试并行稀疏矩阵-向量乘法，评估了MPI与OpenMP混合编程模型的性能。研究发现标准的非阻塞MPI无法有效隐藏通信延迟，并提出使用独立的通信线程来实现计算与通信的显式重叠，大幅提升了并行计算的可扩展性。
22. 稀疏线性代数算法讲义 (MIT)
麻省理工学院的高级课程讲义，全面介绍了求解稀疏线性系统的核心算法。文档探讨了三对角系统循环约简法、通过图论嵌套解剖来最小化填充、稀疏Cholesky分解机制以及预处理共轭梯度法。讲义还深入分析了并行环境下的网络通信成本、负载均衡策略和对称超节点技术。
23. 利用混合并行提升经典线性代数迭代法性能
这篇学术论文探讨了如何在现代CPU架构上，利用MPI结合OpenMP或OmpSs-2的混合任务并行模型，优化经典的线性代数迭代求解器（如雅可比法、高斯-赛德尔法和共轭梯度法）。研究通过消除算法中的阻塞通信瓶颈并进行弱扩展性测试，展示了混合并发模型在处理大规模稀疏矩阵时的显著优势。
24. 机器学习中的线性代数是什么？ (IBM)
这篇IBM的科普文章深入探讨了线性代数在机器学习模型中的基础性地位。文章解释了标量、向量、矩阵和张量等基本数据结构，并阐述了线性代数如何驱动主成分分析（PCA）等降维技术以及深度学习神经网络中的海量矩阵乘法运算。掌握这些数学工具是训练和优化AI大模型的必经之路。
25. 向计算机科学家解释张量 (Stack Exchange)
这是数学问答网站上的一个经典讨论帖，探讨如何用计算机程序员易于理解的直观方式解释“张量（Tensor）”。相比于数学上复杂的“多重线性映射”定义，回答者们建议将张量解释为携带特定代数变换规则的多维数据数组，从而契合现代深度学习编程库（如Numpy和TensorFlow）中的实际应用。
26. 振动物理问题中的特征值应用
这份工程学讲义清晰地展示了特征值和特征向量在研究线性物理系统振动问题中的关键应用。文档以一个包含多个质量块和弹簧的力学系统为例，演示了如何建立系统的运动微分方程，通过矩阵求解特征值来确定系统的固有共振频率，并通过特征向量来描绘系统在这些频率下的具体振动模态。
27. 简正模 (Normal Mode) - 维基百科
该维基百科词条定义了动力系统中的“简正模”现象，即系统中所有部分以相同的频率和固定相位呈正弦振动的特定运动模式。文章指出，任意复杂的自由运动都是这些相互正交的独立模态的线性叠加。内容广泛覆盖了从机械耦合振荡器、声学驻波到量子力学中微观粒子行为的简正模分析。
28. 简正模：力学分析与物理技术
这是一份面向物理学习者的全面学习指南，深入解释了简正模在经典力学中的本质作用。文章涵盖了简正模的数学求解推导（即利用系统矩阵求解二阶微分特征值方程），列举了乐器琴弦共振和建筑物抗震等现实案例，并为解决和计算多维复杂系统的振动模式提供了有价值的解题技巧。
29. 多自由度系统与简正模讲义 (Caltech)
加州理工学院的物理讲义，专门探讨多自由度系统中的微小振动行为和简正模理论。讲义从建立系统的广义坐标入手，推导了动能矩阵和势能矩阵的二次型展开，并展示了如何通过求解广义特征值问题来分析复杂系统。讲义中包含了耦合钟摆和三原子分子（如臭氧）振动模式的详尽矩阵分析计算。
30. 分子振动的谐波近似与简正模分析
这份物理化学高级讲义详细探讨了如何利用谐波振荡器近似法结合简正模分析来计算分子的光谱特性。文档展示了通过计算多原子分子势能分布的二阶导数矩阵（即海森矩阵Hessian），将其转换为质量加权矩阵，并利用矩阵对角化求解特征值的方法，最终获取二氧化碳和水分子等体系的分子振动频率。
31. 里昂惕夫投入产出模型 (Wolfram 示例)
Wolfram语言官方提供的一个交互式计算示例，展示了如何使用编程求解宏观经济学中的里昂惕夫投入产出模型。案例以制造业、农业和公用事业三个部门为例，定义了消费矩阵和最终需求向量，演示了如何通过单位矩阵减法与矩阵求逆的线性代数技术，快速计算出满足整体经济需求所需的各个部门总生产向量。
32. 开放经济中的投入产出矩阵模型
这篇介绍线性代数经济学应用的文章阐述了由诺贝尔奖得主Wassily Leontief创建的投入产出模型。文章清晰地区分了封闭与开放经济模型，演示了如何把各个行业的互相资源消耗转化为线性代数矩阵表示。文章提供了详尽的数值演算步骤，说明了如何通过矩阵代数估计一个国家的工业生产与消费关系。
33. 里昂惕夫模型的数学基础与矩阵推导
这份大学线性代数讲义详细推导了里昂惕夫投入产出模型的严密数学逻辑。它从直观的无穷级数需求链式计算讲起，巧妙地过渡到通过求解线性方程组来获取精确生产数据。讲义不仅提供了包含农业和建筑业的实例，还引申出了如何基于产品价格向量和投入矩阵来计算各行业利润与亏损的数学公式。
34. 求解两部门及多部门里昂惕夫模型 (HKUST)
香港科技大学微积分与线性代数课程讲义，系统梳理了如何利用矩阵理论解决产业依赖模型问题。讲义分别提供了两行业与三行业互相依赖的实际数值案例，带领学生构建包含供应链数据的“技术矩阵”和需求向量，并通过计算 (I-M) 矩阵的逆矩阵，成功得出各部门达到供需平衡所需的总产出。
35. 如何直观理解里昂惕夫技术矩阵问题
这篇学习辅导博客用极其口语化的方式，解析了在有限数学课程中常令学生头疼的里昂惕夫技术矩阵应用题。文章以钢铁和木材行业的跨行业资源依赖为例，讲解了“必须花钱才能赚钱”的生产经济逻辑，逐步将枯燥的文字题转化为线性方程组，并演示了如何使用矩阵行变换技巧顺利求得答案。
36. 三维图形学：投影与空间变换
这是一份详实的计算机图形学课程笔记，介绍了三维图形渲染的基本矩阵操作。内容涵盖了如何将世界坐标系映射到屏幕像素坐标系（归一化），以及如何利用齐次坐标（Homogeneous coordinates）和矩阵乘法来实现三维物体的平移、旋转与缩放。讲义特别强调了矩阵乘法顺序对最终图形变换结果的决定性影响。
37. 解释图形学中的齐次坐标与射影几何
这篇图形学技术文章用通俗的“投影仪照射屏幕”的比喻，向读者生动解释了现代OpenGL中至关重要的4D齐次坐标和射影几何概念。文章详细解析了第四个坐标维度'W'的作用——它代表距离并决定了画面的透视缩放比例，并说明了齐次坐标如何能够完美地整合仿射变换以及表示计算机三维世界中的“无穷远点”。
38. 透视与正交投影矩阵构建原理
这是一份专业的计算机图形学底层教程，专注于讲解透视投影和正交投影矩阵的数学构建过程。教程探讨了如何将复杂的3D视锥体（Frustum）转换为标准视图体积，进而映射到2D画布。文章深入分析了视椎体裁剪（Clipping）操作和齐次坐标除法背后的代数原理，是理解底层GPU渲染管线运作方式的必读资料。
39. 脑成像软件中的空间变换矩阵应用
这是一份针对BrainVoyager神经成像软件的技术指南，向用户解释了仿射空间变换矩阵的原理及其在医疗坐标系统转换中的应用。文档描述了如何使用4x4的齐次坐标矩阵将平移、旋转（对比了欧拉角与四元数的优劣）、缩放和错切整合在一个运算中，并强调了在影像处理中级联矩阵以减少重采样误差的重要性。
40. 3D图形计算的坐标系统代数表达
该空间软件（NV5 Geospatial）编程文档简明地总结了3D图形中运用齐次坐标进行坐标变换的核心矩阵公式。它展示了如何用包含额外比例因子的四维列向量表示三维空间点，并直接给出了用于执行平移、缩放和绕各个轴旋转的4x4变换矩阵结构，直观体现了线性代数在空间数据建模和软件图形渲染中的工程应用。
41. 最佳线性代数在线课程与认证 (Coursera)
该网页汇总了Coursera平台上最受欢迎的线性代数在线课程与职业认证项目。列表中包含由约翰霍普金斯大学、伦敦帝国理工学院等顶尖机构提供的精品课程，内容覆盖从基础的向量空间、矩阵运算，到专为机器学习、数据科学打造的应用线性代数，为不同背景的学习者提供了清晰的自我提升路径。
42. MIT 18.06 线性代数课程主页
这是麻省理工学院著名数学家 Gilbert Strang 教授主讲的经典《18.06 线性代数》开放课程的主页。该页面免费提供了这门极具全球影响力的课程的完整视频讲义、教学大纲、习题集和考试资料。课程内容极大地侧重于矩阵理论的实际应用，涵盖了方程组求解、四大基本子空间、特征值分解和正定矩阵等核心数学主题。
43. 探讨《线性代数的本质》系列视频 (Reddit)
这是Reddit数学社区上的一个热帖，用户们在此热烈讨论知名YouTube科普频道3Blue1Brown发布的《线性代数的本质》系列动画视频。讨论中大量用户表达了对这种侧重几何直觉和动画演示、而非干瘪符号计算的教学方法的赞赏。许多人表示，可视化的基变换和线性映射极大地帮助了他们直观且深刻地理解了抽象的矩阵概念。
44. 关于线性代数经典教材的专业讨论 (MathOverflow)
在面向专业数学和科研人员的问答平台MathOverflow上，用户们就“如何选择和推荐优秀的线性代数教材”展开了深度的讨论。大家对比了不同大师的教学理念：有的偏重矩阵计算和几何直觉（如Strang），有的极度抽象且刻意避免使用行列式（如Axler），还有整合了抽象代数严谨推导的经典书籍（如Hoffman & Kunze）。
45. 基于Hoffman与Kunze教材复习线性代数
这篇由高级分析研究所的数据科学学生撰写的博客，高度评价并推荐了经典的Hoffman与Kunze编著的《线性代数》教材。作者对比了市场上其他的流行教材，认为Hoffman的书在不失理论深度的前提下行文极为简练，其对特征值和不变子空间的论述逻辑极其严密，非常适合有一定数学基础的数据分析师用于温故知新。
46. 给线性代数初学者的求助与引导 (Reddit)
这是Reddit数学求助区的一个帖子，一位高中生在观看了3Blue1Brown极其吸引人的线性代数可视化视频后，因自身数学基础薄弱而感到概念难以消化。帖子寻求如何在没有深厚数学背景的情况下入门该领域的基础知识，底下的热心网友为其推荐了MIT公开课等对初学者更加友好、注重基础公式与概念建立的循序渐进的学习资源。