● 章 坐標與變換:高樓平地起1.1?描述空間的工具:向量 21.2?基底構建一切,基底決定坐標 131.3?矩陣,讓向量動起來 181.4?矩陣乘向量的新視角:變換基底 27 第2章 空間與映射:矩陣的靈魂2.1?矩陣:描述空間中的映射 342.2?追因溯源:逆矩陣和逆映射 422.3?向量空間和子空間 502.4?老樹開新花,道破方程組的解 55 第3章 近似與擬合:真相最近處3.1?投影,尋找距離最近的向量 623.2?深入剖析最小二乘法的本質 693.3?施密特正交化:尋找最佳投影基 74 第4章 相似與特征:最佳觀察角4.1?相似變換:不同的視角,同一個變換 804.2?對角化:尋找最簡明的相似矩陣 854.3?關鍵要素:特征向量與特征值 89 第5章 降維與壓縮:抓住主成分5.1?最重要的矩陣:對稱矩陣 965.2?數據分布的度量 1005.3?利用特征值分解(EVD)進行主成分分析(PCA) 1035.4?更通用的利器:奇異值分解(SVD) 1115.5?利用奇異值分解進行數據降維 116 第6章 實踐與應用:線代用起來6.1?SVD在推薦繫統中的應用 1246.2?利用SVD進行彩色圖片壓縮 133 第7章 函數與復數域:概念的延伸7.1?傅裡葉級數:從向量的角度看函數 1457.2?復數域中的向量和矩陣 151
內容簡介
數學是機器學習繞不開的基礎知識,傳統教材的風格偏重理論定義和運算技巧,想以此高效地打下機器學習的數學基礎,針對性和可讀性並不佳。本書以機器學習涉及的線性代數核心知識為重點,進行新的嘗試和突破:從坐標與變換、空間與映射、近似與擬合、相似與特征、降維與壓縮這5個維度,環環相扣地展開線性代數與機器學習算法緊密結合的核心內容,並分析推薦繫統和圖像壓縮兩個實踐案例,在介紹完核心概念後,還將線性代數的應用領域向函數空間和復數域中進行拓展與延伸;同時極力避免數學的晦澀枯燥,充分挖掘線性代數的幾何內涵,並以Python語言為工具進行數學思想和解決方案的有效實踐。 《機器學習線性代數基礎:Python語言描述》適合實踐於數據分析、信號處理等工程領域的讀者,也適合在人工智能、機器學習領域進行理論學習和實踐,希望築牢數......
章 坐標與變換:高樓平地起作為全書內容的開篇部分,本章將從空間的角度出發,詳細介紹向量和矩陣的基本概念,並在空間思維的框架下描述矩陣和向量運算的基本法則,揭示其幾何意義,以求迅速幫助讀者搭建起關於空間的宏觀知識框架,奠定學習全書內容的思想方法。在本章知識內容的演繹、推進過程中,會逐步引出基底的選取、空間的張成、基底的轉化與坐標的變換這些和空間緊密相關的概念,並使用Python語言,對相關概念和運算過程進行描述。本章主要涉及的知識點?介紹向量的概念和基本運算?介紹基底的用途和構成條件?介紹坐標與基底之間的關繫?介紹矩陣的概念和基本運算?介紹矩陣對向量空間位置的改變?介紹在矩陣的作用下,向量的基變換原理及過程1.1描述空間的工具:向量空間是貫穿整個線性代數的主干脈絡和核心概念。那麼在全書開篇的節,我們將重點學習如何利用向量這個重要工具對空間進行描......
"