線性代數的全局視野(Overview)

這章節敘述了線性代數要解決的問題，以及 matrix 還有 vector 的基本概念，看不懂沒有關係，可以先看過就好

1. Matrix 與 Vector 的簡介

在線性代數中，矩陣 (Matrix) 本質上就是「一群向量 (Vector) 的組合」。

面對一個矩陣，我們有兩種觀點: 「橫」(col) 以及「直」(row)，這兩種切法代表了完全不同的物理與幾何意義：

橫著看：Row Vector (列向量) 就是一條方程式 每一個 Row 都代表系統中的一個「規則」或一個完整的 $x, y, z$ 限制條件，以方程式來看就像是 $2x + 3y = 8$

資工視角： 這就像資料庫 (Database) 裡面的一筆「紀錄 (Record)」，或者程式碼中的一條條件判斷式 if (2*x + 3*y == 8)，它描述了多個變數在某一刻的關係。

直著看：Column Vector (行向量) 就是一個變數的專屬資訊 每一個 Column 收集了所有方程式裡，針對「同一個變數 (例如 $x$)」的所有係數。它代表了 $x$ 這個變數在整個系統中貢獻的「分量」或「特徵」。

資工視角： 這就像資料庫裡的一個「欄位 (Field)」，例如一個包含所有房子「坪數」的陣列，它單純描述了某個單一特徵。

2. 如何把方程式組轉換成 Matrix

我們用一個最精簡的例子，來看看如何將日常的方程式變成矩陣，並用兩種視角來拆解它。

假設我們有兩條方程式（兩個條件），要解開 $x$ 與 $y$ 兩個未知數：

$$\begin{cases} 2x + 3y = 8 \ 1x - 1y = 1 \end{cases}$$

【步驟一】抽離係數，變成矩陣 我們把等號左邊的「數字」全部抽出來排好，把未知數 $x, y$ 變成一個獨立的向量：

$$\begin{bmatrix} 2 & 3 \ 1 & -1 \end{bmatrix} \begin{bmatrix} x \ y \end{bmatrix} = \begin{bmatrix} 8 \ 1 \end{bmatrix}$$

這就是著名的 $Ax = b$ 形式。

【步驟二】用 Row 視角解讀 (方程式的交點) 如果我們橫著看，這就是兩條直線方程式：

Row 1: $2x + 3y = 8$
Row 2: $1x - 1y = 1$ 尋找解答，就是在幾何空間中尋找這兩條直線「交會的那一個點」。

【步驟三】用 Column 視角解讀 (變數的組合) 這是線性代數中最重要、但也最常被忽略的視角！如果我們把矩陣直著切，把 $x$ 和 $y$ 當作這兩個 Column Vector 的「縮放比例」：

$$x \begin{bmatrix} 2 \ 1 \end{bmatrix} + y \begin{bmatrix} 3 \ -1 \end{bmatrix} = \begin{bmatrix} 8 \ 1 \end{bmatrix}$$

尋找解答的意思變成了：我要拿多少個 $\begin{bmatrix} 2 \ 1 \end{bmatrix}$，加上多少個 $\begin{bmatrix} 3 \ -1 \end{bmatrix}$，才能剛好拼湊出目標向量 $\begin{bmatrix} 8 \ 1 \end{bmatrix}$？

3. 線性代數要解決的核心問題

有了上述的矩陣與向量概念，我們就可以知道，整門「線性代數」其實就是為了解決以下三大問題而生的：

問題一：解線性方程式組 (Solving Linear Equations)

當我們的變數從 $x, y$ 兩個，膨脹到幾百萬個（例如氣象預報系統中的各個觀測點），我們無法再用肉眼或簡單的代入消去法來解。線性代數提供了一套標準化的演算法（如高斯消去法），讓電腦可以透過矩陣運算，瞬間找到這幾百萬個變數的最佳解。

問題二：空間轉換 (Spatial Transformation)

當我們不把矩陣看成方程式，而是把它看作一個「動作」時，矩陣乘法就變成了空間的轉換。假設我們有一個 3D 模型，我們想要把它「旋轉 90 度」或是「放大 2 倍」，我們只需要把模型上所有的座標向量，乘上一個特定的「轉換矩陣」。這正是電腦圖學 (Computer Graphics) 與遊戲引擎 (如 Unity, Unreal) 每一幀都在做的事情。

問題三：動態系統與機器學習 (Dynamic Systems & Machine Learning)

當系統狀態會隨時間不斷變化，或是資料龐大且充滿雜訊時，線性代數能幫我們找出隱藏的規律。

動態系統： 矩陣可以表示系統狀態的轉移（例如明天的股市機率由今天決定），透過矩陣的不斷連乘，我們可以預測系統最終的「穩定狀態」。
機器學習： 類神經網路的本質就是無數個矩陣的組合。模型訓練的過程，其實就是在微調一個裝滿百萬個變數的「權重矩陣」，讓這個矩陣能將輸入（例如貓的圖片向量）準確地轉換成正確的輸出（預測為貓的機率）。