Мы знаем, что многие квадратные матрицы можно привести к диагональному виду, что радикально упрощает вычисление их степеней и экспонент. Однако в линейной алгебре существует целый класс матриц, для которых диагонализация принципиально невозможна из-за нехватки линейно независимых собственных векторов. Такие матрицы называются дефектными. Для них французский математик Камиль Жордан разработал канонический вид, который является максимально близким к диагональному — Жорданову нормальную форму. Изучение жордановых форм позволяет решать сложные системы линейных дифференциальных уравнений с кратными корнями характеристического уравнения и глубоко понимать резонансные явления в динамических системах.

По мере углубления в линейную алгебру и смежные дисциплины, такие как дифференциальная геометрия или теоретическая физика, понятий классических векторов и матриц становится недостаточно. Для описания сложных многомерных зависимостей, которые не меняют своей физической или геометрической сути при смене системы координат, математики ввели понятие тензора. Если скаляр — это тензор нулевого ранга (просто число), вектор — тензор первого ранга (одномерный массив), а матрица — тензор второго ранга (двумерная таблица), то тензоры высших рангов представляют собой многомерные структуры данных. Изучение тензорного исчисления необходимо для понимания общей теории относительности Эйнштейна, механики сплошных сред и современной архитектуры глубоких нейронных сетей.

Сингулярное разложение (Singular Value Decomposition, сокращенно SVD) часто называют вершиной классической линейной алгебры. Если метод собственных значений (диагонализация) работает только для квадратных матриц и требует довольно жестких условий, то SVD применимо абсолютно к любой матрице: квадратной, прямоугольной, вырожденной, нулевой. Это разложение позволяет заглянуть в самую глубокую анатомию любого линейного преобразования, выявляя его скрытую структуру. Сегодня алгоритмы вычисления SVD встроены в каждую библиотеку машинного обучения, так как на этом математическом фундаменте стоят системы рекомендаций, методы сжатия данных, распознавание изображений и семантический анализ текстов.

В то время как линейные формы (функции первой степени) описывают прямые, плоскости и гиперплоскости, квадратичные формы открывают нам дверь в мир кривых и поверхностей второго порядка: эллипсов, парабол, гиперболоидов и конусов. Формально, квадратичная форма — это однородный многочлен второй степени от нескольких переменных. Квадратичные формы являются важнейшим инструментом в аналитической геометрии для классификации поверхностей, в математическом анализе для исследования функций многих переменных на экстремум (максимум и минимум), а также в теоретической механике, где кинетическая и потенциальная энергии часто выражаются именно через квадратичные формы от скоростей или координат.