123,123,123

內(nèi)容簡(jiǎn)介

　　數(shù)學(xué)是機(jī)器學(xué)習(xí)繞不開的基礎(chǔ)知識(shí)，傳統(tǒng)教材的風(fēng)格偏重理論定義和運(yùn)算技巧，想以此高效地打下機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)，針對(duì)性和可讀性并不佳。本書以機(jī)器學(xué)習(xí)涉及的線性代數(shù)核心知識(shí)為重點(diǎn)，進(jìn)行新的嘗試和突破：從坐標(biāo)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(gè)維度，環(huán)環(huán)相扣地展開線性代數(shù)與機(jī)器學(xué)習(xí)算法緊密結(jié)合的核心內(nèi)容，并分析推薦系統(tǒng)和圖像壓縮兩個(gè)實(shí)踐案例，在介紹完核心概念后，還將線性代數(shù)的應(yīng)用領(lǐng)域向函數(shù)空間和復(fù)數(shù)域中進(jìn)行拓展與延伸；同時(shí)極力避免數(shù)學(xué)的晦澀枯燥，充分挖掘線性代數(shù)的幾何內(nèi)涵，并以Python語(yǔ)言為工具進(jìn)行數(shù)學(xué)思想和解決方案的有效實(shí)踐。　《機(jī)器學(xué)習(xí)線性代數(shù)基礎(chǔ)：Python語(yǔ)言描述》適合實(shí)踐于數(shù)據(jù)分析、信號(hào)處理等工程領(lǐng)域的讀者，也適合在人工智能、機(jī)器學(xué)習(xí)領(lǐng)域進(jìn)行理論學(xué)習(xí)和實(shí)踐，希望筑牢數(shù)學(xué)基礎(chǔ)的讀者，以及正在進(jìn)行線性代數(shù)課程學(xué)習(xí)的讀者閱讀。

作者簡(jiǎn)介

　　張雨萌，畢業(yè)于清華大學(xué)計(jì)算機(jī)系，長(zhǎng)期從事人工智能領(lǐng)域相關(guān)研究工作。

圖書目錄

第1章坐標(biāo)與變換：高樓平地起
1.1 描述空間的工具：向量 2
1.2 基底構(gòu)建一切，基底決定坐標(biāo) 13
1.3 矩陣，讓向量動(dòng)起來(lái) 18
1.4 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 34
2.2 追因溯源：逆矩陣和逆映射 42
2.3 向量空間和子空間 50
2.4 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 62
3.2 深入剖析最小二乘法的本質(zhì) 69
3.3 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(gè)變換 80
4.2 對(duì)角化：尋找最簡(jiǎn)明的相似矩陣 85
4.3 關(guān)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(duì)稱矩陣 96
5.2 數(shù)據(jù)分布的度量 100
5.3 利用特征值分解（EVD）進(jìn)行主成分分析（PCA） 103
5.4 更通用的利器：奇異值分解（SVD） 111
5.5 利用奇異值分解進(jìn)行數(shù)據(jù)降維 116
　第6章實(shí)踐與應(yīng)用：線代用起來(lái)
6.1 SVD在推薦系統(tǒng)中的應(yīng)用 124
6.2 利用SVD進(jìn)行彩色圖片壓縮 133
　第7章函數(shù)與復(fù)數(shù)域：概念的延伸
7.1 傅里葉級(jí)數(shù)：從向量的角度看函數(shù) 145
7.2 復(fù)數(shù)域中的向量和矩陣 151