看这个依赖链：

Week 1-2: 向量 + 线性函数
    ↓
Week 3: 范数和距离（基于向量运算）
    ↓
Week 4: 聚类（基于距离计算）
    ↓
Week 5: 线性无关（判断向量组的性质）
    ↓
Week 6-7: 矩阵 + 矩阵乘法（向量的系统化表达）
    ↓
Week 8: 矩阵求逆（依赖线性无关的条件）
    ↓
Week 9-10: 最小二乘法（用到以上全部）
    ↓
Week 11-13: 多目标优化 + 拉格朗日（在最小二乘基础上扩展）

每一周的内容都是下一周的先修条件。Week 3 的范数是 Week 4 聚类的基础，Week 5 的线性无关是 Week 8 矩阵求逆的前提，Week 8 的矩阵求逆是 Week 9 最小二乘法的核心步骤。

这意味着你不能"选择性学习"。跳过 Week 5 线性无关不是少丢5分的问题——是 Week 8 矩阵求逆看不懂、Week 9 最小二乘推不出、Week 12 拉格朗日更不用想。一个概念的缺失在后面会被指数级放大。

💰 策略：前3周决定你的天花板

这门课最有效的投资窗口是 开学前两周到 Week 3。

Assignment 1 是一个信号灯：如果你不用 AI 能独立完成大部分题目，说明你的先修基础够用，这学期的天花板在 D 以上。如果你离了 AI 就不会做，说明你需要在 Week 4 之前把先修知识补回来——否则 Mid-sem 的纸笔考试会让你无处可藏。

⚠️ 别被"Foundations"骗了

课名叫 Foundations of Business Analytics，听起来是"基础入门"。但这门课的 textbook 是全球线性代数课的标准教材，内容覆盖了从向量空间到拉格朗日乘数法的完整路径。它是"基础"没错——但它是 business analytics 整个学科的数学基础，不是"简单入门"的意思。

课程结尾的 Week 12-13 讲的是 Optimisation 和 Constrained Least Squares，涉及 Lagrange multipliers（拉格朗日乘数法）。这个概念在经济学和统计学的高年级课里都是重点——一门1000-level的课把它放在最后两周教，说明这门课的难度天花板远超"基础"二字的暗示。