数值线性代数

📊 课程难度与压力分析

MATH3361 是数学系里最有‘计算美感’但也最挑战‘逻辑耐力’的课。难点不在于理论抽象，而在于‘对误差的极致追踪’。当你写完一个 SVD 脚本却发现由于没有处理‘极小奇异值’导致结果发散了 10 个数量级时，你会明白数值线性代数的残酷。压力主要来自于 Lab Tests，你需要在助教注视下现场手敲复杂的二重循环，容错率极低。最难的部分是‘Householder 矩阵的反射对称性证明’，需要极强的线性代数与几何直觉。及格率尚可，但拿 HD 需要你对‘计算开销 (FLOPS)’有近乎病态的追求。

🎯 备考重点与高分策略

高分秘籍：‘得矩阵分解公式者得 Distinction，得收敛性证明者得 HD’。期末考试中，证明一个矩阵变换的正交性并手动构造一个 QR 分解步骤是必考的大题。一定要练到能秒写出‘QR 算法的位移步长修正公式’。重点攻克‘共轭梯度法在正定矩阵下的下降方向正交性证明’，那是区分普通码农与顶级数值算法专家的标志。备考时，教材《Numerical Linear Algebra》(Trefethen) 是唯一的圣经。对于项目，HD 的关键在于‘复杂度的定性解释’——不仅给出运行时间，还要画出斜率 log-log 图证明它是 O(n^3)。重视 Tutorial 里的每一道范数不等式证明题。

📚 学习建议与资源推荐

神级资源：Lloyd Trefethen 的教材，全球公认逻辑最美、废话最少的数值书。如果迭代法理解不了，强烈推荐去 YouTube 搜‘Gilbert Strang Advanced Linear Algebra’系列讲座。最重要的建议：养成‘先写块矩阵符号，再敲具体分量’的习惯。利用好 Matlab 的 `profiler` 功能来监控你的脚本执行瓶颈。学会使用 `Numpy.linalg` 模块进行自校验。加入 UNSW MathSoc。训练你的‘矩阵空间直觉’。

⚠️ 作业与 Lab 避坑指南

项目避坑：千万不要在第 10 周才跑模型仿真！数值线性代数极易受到‘病态条件’的影响，初始值选不好会导致算法陷入永久死循环。Assignment 写作中，严禁只贴运行截图，必须写出你的‘误差项分析逻辑理由’——为什么你认为误差来自于舍入而非算法本身？此外，注意 Final 考试有 Hurdle 要求，关于‘正交矩阵基本性质’的基础证明如果错太多会直接挂。考试时，带好直尺和各色铅笔，画出的矩阵块映射图必须清晰标准。注意：分清‘向量范数’与‘算子范数’在不同诱导基下的本质差异。

💬 过来人经验分享

学长建议：这门课是为你进入顶级 AI 实验室（如 DeepMind）或高性能仿真研发（如 Ansys）拿的‘算法高级签证’。学完后，你眼中的矩阵将不再是方格，而是一个由能量投影、奇异值缩放和特征子空间定义的完美数字流体。建议找一个同样追求‘计算稳定性’的队友共同打磨报告。拿 HD 的关键：在报告中展现出你对‘并行化矩阵乘法开销’的考量。坚持住，通关 3361，你就真正跨过了从经验数学到高精度数值专家的那道认知红线。这张成绩单是进入顶尖科研圈最有力的通行证。记住：好的计算，是看破繁琐后的简洁矩阵。