202矩阵、向量与行列式

🎯 教学目标与重难点…

【三维目标】

  • 📚 知识目标：
    1. 能认出矩阵（[] 包围的表格）、向量（一行/一列数字）、行列式（| | 包围的表格）的写法。
    2. 知道矩阵在代码中对应二维数组（np.array），向量对应一维数组。
    3. 知道行列式是一个“数”而不是“表格”。
    4. 知道向量的长度（范数）可以理解为“点到原点的距离”。
  • ⚙️ 能力目标：
    1. 能看一个符号，说出它是“矩阵”、“向量”还是“行列式”。
    2. 能在代码中找到对应的数据结构。
  • 💡 素养目标：
    1. 理解“数据在计算机里就是矩阵”这一核心概念。
    2. 消除对线性代数符号的恐惧。

【重点与难点】

  • 🟢 教学重点：
    1. 矩阵 = 表格（二维数组）。
    2. 向量 = 一行或一列（一维数组）。
    3. 行列式 = 一个数（用 | | 表示）。
  • 🟡 教学难点：
    1. 区分“矩阵”和“行列式”的写法（[ ] vs | |）和含义。
    2. 理解“向量长度”的几何含义（距离）。

📌 一、 课程导入（5分钟）

​

展示一张表格：

姓名 年龄 身高(cm) 体重(kg)
张三 18 175 65
李四 19 168 58
王五 17 180 72

提问：

  • “这是什么？”（答案：一张表格）
  • “如果把这四个人的数据送进计算机，它看到的就是一个‘数字表格’。”

引出本节课核心：

在机器学习中，所有的数据都是表格。这个表格在数学里叫 “矩阵”。今天我们就来认识这个“大容器”里面的几个重要概念。

  • 👨‍🏫 教师活动：
    1. 指着表格问：“这里有几行？几列？”
    2. 引导回答：“3行4列。”
  • 🧑‍🎓 学生活动：
    1. 口头回答：“3行4列的表格。”
    2. 跟着说：“这个表格在数学里叫矩阵。”

用最熟悉的“表格”概念切入，让学生立刻建立“矩阵 = 表格”的认知锚点。

📖 二、 核心概念（一）：矩阵 —— 一张表格

​

1. 矩阵长什么样？

$$A = \begin{bmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{bmatrix}$$
要点 说明
样子 方括号 [ ] 包住一排数字
读法 “矩阵 A”
含义 一堆数字按行和列排列（一张表格）
维度 3行 × 3列 → 记作 3×3
在代码里 np.array([[1,2,3], [4,5,6], [7,8,9]])

2. 矩阵的维度

写法 含义 中文读法
m × n m 行，n 列 “m 乘以 n 矩阵”

示例：

  • 2 × 3 = 2行3列
  • 5 × 1 = 5行1列（可以看成是一个列向量）
  • 1 × 4 = 1行4列（可以看成是一个行向量）

3. 代码对照

 1import numpy as np
 2
 3# 矩阵 A（3行3列）
 4A = np.array([
 5    [1, 2, 3],
 6    [4, 5, 6],
 7    [7, 8, 9]
 8])
 9
10print("矩阵 A 的形状:", A.shape)  # (3, 3) → 3行3列
11print(A)

4. 在机器学习中在哪里见到它？

场景 说明
数据集 每一行是一个样本，每一列是一个特征
权重矩阵 神经网络的参数，就是一个大矩阵
协方差矩阵 PCA 中用于计算主成分
图像数据 一张灰度图是一个矩阵（像素值）

🧠 核心认知：你拿到的任何 X_train、X_test，本质上就是一个矩阵（表格）。

  • 👨‍🏫 教师活动：
    1. 在黑板上画一个 4行×3列的矩阵，问：“如果这是一个数据集，每一行是什么？每一列是什么？”
    2. 引导回答：“每一行是一个样本，每一列是一个特征。”
  • 🧑‍🎓 学生活动：
    1. 运行代码，打印矩阵的形状。
    2. 口头描述：“矩阵就是一个有行有列的表格。”

建立“矩阵 = 数据集表格”的直接关联，让学生意识到矩阵不是抽象的数学概念，就是他们每天处理的数据。

📖 三、 核心概念（二）：向量 —— 一行或一列

​

1. 向量长什么样？

$$v = \begin{bmatrix} 1 \\ 2 \\ 3 \end{bmatrix} \quad \text{或} \quad u = [1, 2, 3]$$
要点 说明
样子 只有一行或一列的数字
读法 “向量 v”（或“v 向量”）
含义 一组数，表示一个“方向”或一个“样本”
在代码里 np.array([1, 2, 3])（一维数组）

2. 行向量 vs 列向量

类型 写法 形状
行向量 [1, 2, 3] 1 × n
列向量 [1, 2, 3]ᵀ（转置后） n × 1

3. 向量的长度（范数）—— 几何直觉

向量的长度 = 从原点到这个点的距离。

在二维平面中，向量 (3, 4) 的长度 = √(3² + 4²) = 5（勾股定理！）

1# 向量的长度（L2范数）
2v = np.array([3, 4])
3length = np.linalg.norm(v)
4print("向量 (3,4) 的长度:", length)  # 输出 5.0

4. 在机器学习中在哪里见到它？

场景 说明
一个样本 一行数据 → 一个行向量
特征向量 一个样本的所有特征 → 一个向量
词向量（Word2Vec） 一个词被表示为一个向量
权重向量 模型的参数 w 是一个向量

🧠 核心认知：你处理的每一条数据（一行），在数学里就是一个“向量”。

  • 👨‍🏫 教师活动：
    1. 在坐标轴上画一个点 (3,4)，从原点连到这个点，画一个箭头。
    2. 指着箭头说：“这就是向量 (3,4) 的‘长度’——从原点到这个点的距离。”
    3. 提问：“用勾股定理，这个长度是多少？”（答案：5）
  • 🧑‍🎓 学生活动：
    1. 在坐标纸上画一个点 (4,3)，画出从原点到该点的向量。
    2. 口头回答：“向量是一个有方向和大小的箭头。”

用“箭头 + 距离”的几何直观，帮学生理解“向量长度”不是抽象概念，而是“两点之间的距离”。

📖 四、 核心概念（三）：行列式 —— 一个数

​

1. 行列式长什么样？

$$\det(A) = \begin{vmatrix} 1 & 2 \\ 3 & 4 \end{vmatrix} = -2$$
要点 说明
样子 两条竖线 `
读法 “矩阵 A 的行列式”或“det A”
含义 一个数字（不是表格！）
在代码里 np.linalg.det(A)

2. 矩阵 vs 行列式 —— 关键区别

矩阵 行列式
样子 [ 1 2 ] `
[ 3 4 ] `
是什么 一张表格 一个数
读法 “矩阵 A” “det A”或“A的行列式”

⚠️ 最容易混淆的地方：方括号 [ ] → 矩阵（表格）；竖线 | | → 行列式（一个数）。

3. 2×2 行列式的计算（看一眼就行，不要求掌握）

$$\begin{vmatrix} a & b \\ c & d \end{vmatrix} = a \times d - b \times c$$

示例：

$$\begin{vmatrix} 1 & 2 \\ 3 & 4 \end{vmatrix} = 1 \times 4 - 2 \times 3 = 4 - 6 = -2$$

🧠 核心认知：行列式最后算出来是一个数，不是一张新表格。

4. 代码对照

 1import numpy as np
 2
 3# 一个 2x2 矩阵
 4A = np.array([
 5    [1, 2],
 6    [3, 4]
 7])
 8
 9# 计算行列式
10det_A = np.linalg.det(A)
11print("矩阵 A 的行列式:", det_A)  # 输出 -2.0

5. 行列式在机器学习中有什么用？（职高版解释）

用途 简单解释
判断矩阵是否可逆 行列式 = 0 → 矩阵不可逆（无法解方程）
衡量数据分散程度 协方差矩阵的行列式 = 数据的“体积”
线性变换的缩放倍数 一个变换把面积/体积放大了多少倍

职高学生只需要知道：行列式是一个“数”，有时候用来判断矩阵好不好用。

  • 👨‍🏫 教师活动：
    1. 在黑板上写一个矩阵 [1 2; 3 4]（方括号）和它的行列式 |1 2; 3 4|（竖线）。
    2. 指着问：“哪个是表格？哪个是一个数？”
    3. 引导回答：“方括号是表格，竖线是一个数。”
  • 🧑‍🎓 学生活动：
    1. 在纸上写一个 2×2 的矩阵，再写出它的行列式形式。
    2. 口头复述：“矩阵用方括号，行列式用竖线。”

通过“方括号 vs 竖线”的视觉对比，彻底区分矩阵和行列式这两个最容易混淆的概念。

📝 五、 课堂小结（5分钟）

概念 长什么样 读法 在代码里
矩阵 [1 2; 3 4] “矩阵 A” np.array([[1,2],[3,4]])
向量 [1, 2, 3] “向量 v” np.array([1,2,3])
行列式 ` 1 2; 3 4 `

三个关键区别：

  1. 矩阵 = 表格（二维数组）；向量 = 一行或一列（一维数组）。
  2. 行列式 = 一个数（不是表格）。
  3. 行列式用 | |，矩阵用 [ ]。

✏️ 随堂练习（指认题，不计算）

  1. 看到 A = [1 2 3; 4 5 6]，回答：这是什么？____（矩阵/向量/行列式）
  2. 看到 v = [1, 2, 3]，回答：这是什么？____（矩阵/向量/行列式）
  3. 看到 det(A) = |1 2; 3 4|，回答：这是什么？____（矩阵/向量/行列式）
  4. 一个矩阵有 5 行、2 列，它的维度是____ × ____。

📋 板书设计

 1数学基础（二）：矩阵、向量、行列式
 2
 3一、矩阵（表格）
 4   [1 2 3]
 5   [4 5 6]  → 2行×3列矩阵
 6   [7 8 9]
 7   代码：np.array([[1,2,3], [4,5,6], [7,8,9]])
 8
 9二、向量（一行或一列）
10   [1, 2, 3]  → 行向量（3个元素）
11   [1]        → 列向量（3个元素）
12   [2]
13   [3]
14   代码：np.array([1, 2, 3])
15   向量的长度 = 从原点到该点的距离
16
17三、行列式（一个数）
18   |1 2|  = 1×4 - 2×3 = -2
19   |3 4|
20   代码：np.linalg.det(A)
21
22⚠️ 关键区别：
23   方括号 [ ] → 矩阵（表格）
24   竖线   | | → 行列式（一个数）

本课用到的单词

符号 读法 中文名称
[a b; c d] “矩阵” 矩阵（表格）
[a, b, c] “向量” 向量
` a b; c d `
m × n “m 乘以 n” 矩阵的维度
` v