Libro

Linear Algebra Done Right ฉบับที่ 4: linear algebra แบบเน้นการพิสูจน์

ตำรา linear algebra ของ Sheldon Axler ฉบับที่ 4 ปี 2024 ที่ Springer เผยแพร่แบบ open access บทความนี้สรุปจากสารบัญ คำนำ และอ่านหัวข้อ 7E Singular Value Decomposition ทั้งหัวข้อ เพื่อช่วยดูว่าเล่มนี้เหมาะกับใคร

ทีมบรรณาธิการ Libro · 25 ตุลาคม 2569 · แก้ไขล่าสุด 27 ตุลาคม 2569 · อ่านประมาณ 5 นาที

ภาพประกอบบทความ: ปกหนังสือ Linear Algebra Done Right, 4th ed. โดย Sheldon Axler

ขอบเขตของบทความ: อ่านบางบทจากฉบับ open access ที่ Springer เผยแพร่ ได้แก่ สารบัญ คำนำสำหรับนักศึกษาและผู้สอน หน้าแรกของบทที่ 1 และหัวข้อ 7E Singular Value Decomposition ทั้งหัวข้อ (หน้า 270–279) ยังไม่ได้อ่านส่วนอื่นของเล่ม

คนที่ทำงานกับข้อมูลการเงินใช้ linear algebra ทุกวันโดยไม่รู้ตัว ทั้ง regression, PCA บนผลตอบแทนหลายสินทรัพย์ และ portfolio optimization แต่หลายคนเรียนเรื่องนี้ผ่านการคำนวณ matrix อย่างเดียว พอเจอคำอย่าง eigenvalue หรือ singular value ในเอกสารวิจัยก็ตามเหตุผลเบื้องหลังได้ยาก

Linear Algebra Done Right เป็นตำราที่เลือกอีกทาง คือสอนผ่าน vector space และ linear map พร้อมการพิสูจน์ บทความนี้ดูว่าฉบับที่ 4 มีอะไร วิธีเขียนเป็นแบบไหน และใครควรอ่าน

หนังสือเล่มนี้ว่าด้วยอะไร

Linear Algebra Done Right ฉบับที่ 4 เขียนโดย Sheldon Axler อยู่ในชุด Undergraduate Texts in Mathematics ของ Springer หน้าลิขสิทธิ์ระบุ ISBN ฉบับพิมพ์ 978-3-031-41025-3 และ eBook 978-3-031-41026-0 และระบุว่าเป็น open access ภายใต้สัญญาอนุญาต Creative Commons Attribution-NonCommercial 4.0 (ฉบับ open access) หน้าหนังสือบน SpringerLink ระบุ Edition number 4 และปีลิขสิทธิ์ 2024

ประวัติผู้เขียนในเล่มระบุว่า Axler เป็นศาสตราจารย์ที่ San Francisco State University และบทความที่ต่อยอดมาเป็นหนังสือเล่มนี้ได้รางวัล Lester R. Ford Award จาก Mathematical Association of America ในปี 1996 ส่วนกิตติกรรมประกาศระบุว่าสามฉบับก่อนหน้าถูกใช้เป็นตำราในมหาวิทยาลัยกว่า 375 แห่ง

เนื้อหาครอบคลุมหัวข้ออะไร

สารบัญมีเก้าบท:

บท

ชื่อบท

ตัวอย่างหัวข้อย่อย

1

Vector Spaces

Rn\mathbf{R}^n and Cn\mathbf{C}^n, Subspaces, Direct Sums

2

Finite-Dimensional Vector Spaces

Span, Linear Independence, Bases, Dimension

3

Linear Maps

Null Spaces and Ranges, Matrices, Change of Basis, Duality

4

Polynomials

Factorization of Polynomials over C and R

5

Eigenvalues and Eigenvectors

Minimal Polynomial, Diagonalizable Operators, Commuting Operators

6

Inner Product Spaces

Gram–Schmidt Procedure, Minimization Problems, Pseudoinverse

7

Operators on Inner Product Spaces

Spectral Theorem, QR and Cholesky Factorization, Singular Value Decomposition

8

Operators on Complex Vector Spaces

Generalized Eigenvectors, Jordan Form, Trace

9

Multilinear Algebra and Determinants

Quadratic Forms, Determinants, Tensor Products

ชื่อหนังสือมาจากแนวทางของผู้เขียน คำนำสำหรับผู้สอนอธิบายว่าตำราส่วนใหญ่ใช้ determinant พิสูจน์ว่า operator บน complex vector space มี eigenvalue ซึ่งผู้เขียนมองว่าเป็นทางอ้อมที่ไม่ช่วยให้เข้าใจ เล่มนี้จึงใช้การพิสูจน์ที่ไม่พึ่ง determinant แล้วย้าย determinant ไปไว้บทสุดท้าย

ฉบับที่ 4 เพิ่มอะไร

คำนำสำหรับผู้สอนในหัวข้อ Major improvements and additions for the fourth edition ระบุว่า (ฉบับ open access, หน้า xvi):

  • แบบฝึกหัดใหม่มากกว่า 250 ข้อ และตัวอย่างใหม่มากกว่า 70 ตัวอย่าง

  • หัวข้อใหม่เรื่อง commuting operators (5E) และ pseudoinverse (6C)

  • หัวข้อย่อยใหม่เรื่อง QR และ Cholesky factorization (7D)

  • SVD ทำสำหรับ linear map ระหว่าง inner product space สองตัวที่อาจต่างกัน และพิสูจน์ polar decomposition จาก SVD (7E, 7F)

  • หัวข้อย่อยใหม่เรื่องการประมาณด้วย linear map ที่ range มีมิติต่ำกว่า (7F)

  • บทที่ 9 ใหม่ทั้งบท เรื่อง multilinear algebra โดยนิยาม determinant แบบไม่อิงฐาน

อ่านหัวข้อ 7E Singular Value Decomposition

หัวข้อนี้ยาวสิบหน้า เลือกอ่านเพราะเป็นเครื่องมือที่ใช้มากในงานข้อมูล สิ่งที่เห็นจากหน้าที่อ่าน:

  • *เริ่มจากสมบัติของ $T^T∗∗ผู้เขียนพิสูจน์ก่อนว่า** ผู้เขียนพิสูจน์ก่อนว่าT^T$ เป็น positive operator และมี null space เดียวกับ $T$ แล้วนิยาม singular value ว่าเป็นรากที่สองที่ไม่เป็นลบของ eigenvalue ของ $T^T$ เรียงจากมากไปน้อย (7.64–7.65)

  • ตัวอย่างที่ชี้ความต่างจาก eigenvalue ตัวอย่าง 7.66 แสดง operator ที่มี eigenvalue เพียง −3-3 กับ 00 แต่ singular value เป็น 3,3,2,03, 3, 2, 0 จากนั้นมีตารางเทียบ eigenvalue กับ singular value ทีละประเด็น เช่น singular value ใช้กับ map ระหว่างคนละ space ได้ และเรียงลำดับเสมอ

  • SVD ในรูป linear map แล้วจึงแปลงเป็น matrix ทฤษฎีบท 7.70 เขียน Tv=s1⟨v,e1⟩f1+⋯+sm⟨v,em⟩fmTv = s_1\langle v, e_1\rangle f_1 + \cdots + s_m\langle v, e_m\rangle f_m แล้ว 7.80 แปลงเป็นรูป matrix A=BDC∗A = BDC^* ผู้เขียนชี้ว่าถ้า rank mm น้อยกว่าขนาด matrix มาก จำนวนค่าที่ต้องเก็บ m(M+m+n)m(M+m+n) จะน้อยกว่า MnMn มาก

  • pseudoinverse จาก SVD ผลลัพธ์ 7.75 ให้สูตร adjoint และ pseudoinverse โดยสลับบทบาทของ ee กับ ff และแทน sks_k ด้วย 1/sk1/s_k

  • แบบฝึกหัด 17 ข้อ ท้ายหัวข้อเป็นโจทย์พิสูจน์เกือบทั้งหมด

ตัวอย่างประกอบ (ของบทความนี้ ไม่ได้มาจากหนังสือ): ข้อสังเกตเรื่องจำนวนค่าที่ต้องเก็บคือหลักเดียวกับ dimensionality reduction ของข้อมูลผลตอบแทนหลายร้อยหุ้นเหลือไม่กี่ปัจจัย ส่วน pseudoinverse เป็นเครื่องมือเบื้องหลังการแก้ least squares ใน regression หนังสือไม่ได้พูดถึงการเงินในส่วนที่อ่าน

พื้นฐานที่ควรมีก่อนอ่าน

คำนำสำหรับนักศึกษาบอกว่าหนังสือเริ่มจากศูนย์ ไม่สมมติว่ารู้ linear algebra มาก่อน แต่คาดว่าผู้อ่านจะเรียนเรื่องนี้เป็นครั้งที่สอง และเน้นนิยาม ทฤษฎีบท และการพิสูจน์ ผู้เขียนเตือนว่าอ่านหนึ่งหน้าน้อยกว่าหนึ่งชั่วโมงอาจเร็วเกินไป คำนำสำหรับผู้สอนระบุว่าไม่มีพื้นฐานบังคับนอกจากวุฒิภาวะทางคณิตศาสตร์ ตัวอย่างและแบบฝึกหัดบางข้อใช้ calculus ซึ่งข้ามได้

เหมาะกับใคร และใครควรเริ่มจากเล่มอื่นก่อน

  • เหมาะ กับคนที่เคยคำนวณ matrix มาแล้วและอยากเข้าใจว่า eigenvalue, spectral theorem และ SVD มาจากไหน ก่อนไปอ่านตำรา ML หรือ quantitative finance ที่ใช้เครื่องมือเหล่านี้

  • เหมาะ กับคนที่เตรียมเรียนต่อคณิตศาสตร์ประยุกต์หรือ quant ที่ต้องอ่านและเขียนการพิสูจน์

  • อาจไม่ตรงความต้องการ ถ้าต้องการ numerical methods หรือโค้ด ส่วนที่อ่านไม่มีโค้ดหรือการใช้งานกับข้อมูลจริง

  • ถ้ายังไม่เคยเรียน linear algebra แบบคำนวณเลย ผู้เขียนคาดว่าผู้อ่านเคยผ่านวิชาแรกมาแล้ว จึงอาจเริ่มจากตำราแนวคำนวณก่อน

ข้อจำกัดของข้อมูลที่ใช้ในบทความนี้

  • อ่านเฉพาะส่วนหน้า (ถึงหน้า xvii) หน้า 1–2 ของบทที่ 1 และหัวข้อ 7E หน้า 270–279 ข้อความเรื่องบทอื่นมาจากสารบัญและคำนำผู้เขียน

  • ปกในโฟลเดอร์หนังสือเป็นฉบับที่ 2 (Second Edition) ไม่ตรงกับฉบับที่ 4 ที่บทความนี้เขียนถึง ข้อมูลแคตตาล็อกเดิมของโฟลเดอร์ระบุ Springer ปี 1997 ความยาว 276 หน้า ซึ่งเป็นข้อมูลของฉบับเก่า ส่วน ISBN 9783031410253 ตรงกับฉบับพิมพ์ของฉบับที่ 4

  • เว็บไซต์ของผู้เขียนต้องผ่านการยืนยันตัวตนระหว่างค้นข้อมูล จึงไม่ได้ใช้เป็นแหล่งอ้างอิง

แหล่งอ้างอิง

บทความนี้อ่านจบได้ในตัวเอง หนังสือด้านบนคือจุดต่อยอดสำหรับผู้ที่ต้องการศึกษาลึกขึ้น