人工智能奥赛的线性代数准备,可先做到读懂向量和矩阵、检查维度、理解点积及线性映射,并在Python中验证运算;再随模型任务补充更深入内容。NOAI第一轮侧重基础,第二轮进入AI应用。新赛季具体数学细目与分值待定,报名资格从第三届起限高中生。

一、先用任务判断学习深度
线性代数的作用,是把数据和模型关系写成可计算的形式。图片、样本表、模型参数都有不同的维度;如果不能解释每一行、每一列代表什么,即使知道一个矩阵公式,也容易在实际程序中把数据放错位置。
NOAI当前考察安排区分基础与进阶。水平测试强调基本Python编程及AI方法和概念;第二轮要求运用Python和已有工具解决真实问题,常用NumPy、Pandas、Matplotlib,并涉及sklearn和PyTorch的基本应用。数学学习可以围绕这些任务逐步推进。
因此,复习时不要只用“是否看完一本大学教材”评价进度。更具体的标准是:能说出对象含义,能手算小例子,能检查程序结果。若某个章节尚未用到,先记录它与后续模型的关系,再根据薄弱任务决定学习顺序。
二、基础阶段应练到什么程度?
下面是学习建议,帮助将抽象名词转化为可观察的能力。它按数据处理和基础模型需要整理,不作为赛事题量或分值表。
| 数学内容 | 可检查的学习成果 | 容易忽略的条件 |
|---|---|---|
| 向量与矩阵 | 写出形状,解释元素含义 | 样本轴和特征轴不能混淆 |
| 点积与范数 | 手算加权和及向量长度 | 标准点积要求向量长度匹配 |
| 矩阵乘法 | 判断能否相乘,算出结果形状 | 内侧维度一致,顺序通常不可交换 |
| 转置与线性映射 | 解释转置改变了什么 | 转置会交换行列对应的角色 |
| 方程组与秩 | 区分唯一解、多解和无解 | 有矩阵并不代表一定可以求逆 |
| 基本数值验证 | 将小例子与NumPy结果对应 | 逐元素运算与矩阵乘法要区分 |
先从小数据入手,例如三名学生、每人两个特征,可整理为3×2矩阵。若每名学生对应一个预测值,则参数向量需要与两个特征匹配。只看数字大小而不检查这些形状,错误往往会在程序运行或结果解释时暴露。
向量长度也有两层含义:元素个数用于判断维度,欧氏范数用于描述大小。练习中将二者分别写出来。例如向量(3,4)有两个元素,欧氏范数是5。术语清楚后,再学习归一化或距离计算,就不容易把“维度”与“长度数值”混为一谈。
三、如何从数据表示接到模型计算?
学习路径可以沿算法、数据表示、模型运算逐层展开。下图是现有的学习示意,适合提醒自己:矩阵并不是一组孤立符号,它要服务于数据整理和模型计算。图中的层次不代表考试项目或分值分配。

算法、数据与模型学习示意,图源:NOAI官网
用一个自编预测例子理解矩阵乘法:数据X的两行为(1,2)和(3,1),权重w为(2,−1)。第一条预测为1×2+2×(−1)=0,第二条为3×2+1×(−1)=5,所以Xw得到两条预测(0,5)。若再给每条预测增加同一个偏置1,结果变为(1,6)。
这个例子中,X为2×2,w在数学表达中是2×1,结果为2×1。用NumPy的一维数组表达w时,数组形状写为(2,),输出也可能是一维;它与显式列向量的程序形状不同。数学对象与代码数组的形状要一并核对,尤其在加入偏置或批量运算时。
在程序中,NumPy的“*”对数组执行逐元素乘法,“@”用于矩阵乘法。广播机制可能让不同形状的数组执行运算,程序不报错也不保证含义正确。遇到结果异常,先输出shape、检查轴的含义,再用上述小例子的手算值定位问题。
四、哪些内容适合在进阶时继续补?
当模型涉及线性变换,可以进一步理解缩放、旋转及投影怎样改变向量。学习特征值与特征向量时,先解释“非零向量经过该变换后,得到原向量的某个倍数”的意义,再做低维计算,逐步连接协方差、降维等应用。
矩阵分解、正交性和数值稳定性也值得随着实际问题补学。它们帮助理解数据中的有效方向、冗余信息和计算误差,但学习次序应与当前任务相连。不能把另一个人工智能比赛的完整数学清单,直接当作NOAI各轮的逐项考试要求。
方程求解可先练基础判断:不是每个方阵都可逆,也不是每组方程都有唯一解。编程时应了解工具函数的适用条件,避免看到Xw=y就一律写成“求逆再乘”。学习最小二乘时,再理解有误差的数据为什么需要寻找更合适的拟合结果。
五、如何判断自己真的学会了?
① 脱离代码解释一次。 给出一个矩阵,说明行列分别对应什么、它与哪个对象相乘、为什么能得到目标输出。只能报出函数名,仍需补上数学关系。
② 用极小样本手算。 选择两三个样本、一两项特征,手算乘积、范数或预测结果,再交给程序验证。小样本便于逐项比对,比一开始处理大数组更容易发现维度与符号错误。
③ 改变一个条件重新检验。 将权重换一个符号、交换两列特征或加入偏置,先预测输出变化,再运行程序。能解释变化原因,说明已经把运算与模型含义连接起来。
④ 把错误归因写具体。 记录“转置后样本轴改变”“逐元素乘法写成了模型加权”“偏置广播方向错”等实际问题,并写出修正动作。NOAI线性代数准备可沿这样的反馈持续推进,先让基础数据运算可靠,再扩展到更复杂的AI模型。
🔥 AI 奥赛体验课,限时 9.9 元 (原价649元)
翰林名师亲授,一课打通 AI 四大领域,零基础也能学,扫码即可报名咨询 ⇓

点击右侧文字,可获得更多在线练习题资源:>>> NOAI在线水平测试
NOAI新赛季备赛已开启,扫码领取NOAI备赛资料
欢迎咨询【NOAI竞赛辅导课程】


