具体描述
数学是机器学习绕不开的基础知识，传统教材的风格偏重理论定义和运算技巧，想以此高效地打下机器学习的数学基础，针对性和可读性并不佳。本书以机器学习涉及的线性代数核心知识为重点，进行新的尝试和突破：从坐标与变换、空间与映射、近似与拟合、相似与特征、降维与压缩这5个维度，环环相扣地展开线性代数与机器学习算法紧密结合的核心内容，并分析推荐系统和图像压缩两个实践案例，在介绍完核心概念后，还将线性代数的应用领域向函数空间和复数域中进行拓展与延伸；同时极力避免数学的晦涩枯燥，充分挖掘线性代数的几何内涵，并以Python语言为工具进行数学思想和解决方案的有效实践。
本书适合实践于数据分析、信号处理等工程领域的读者，也适合在人工智能、机器学习领域进行理论学习和实践，希望筑牢数学基础的读者，以及正在进行线性代数课程学习的读者阅读。
作者简介
张雨萌，毕业于清华大学计算机系，现就职于中国舰船研究设计中心，长期从事人工智能领域相关研究工作，主要研究方向为数据分析、自然语言处理。
目录信息
1.1 描述空间的工具：向量 2
1.2 基底构建一切，基底决定坐标 13
1.3 矩阵，让向量动起来 18
1.4 矩阵乘向量的新视角：变换基底 27
第2章 空间与映射：矩阵的灵魂
2.1 矩阵：描述空间中的映射 34
2.2 追因溯源：逆矩阵和逆映射 42
2.3 向量空间和子空间 50
2.4 老树开新花，道破方程组的解 55
第3章 近似与拟合：真相最近处
3.1 投影，寻找距离最近的向量 62
3.2 深入剖析最小二乘法的本质 69
3.3 施密特正交化：寻找最佳投影基 74
第4章 相似与特征：最佳观察角
4.1 相似变换：不同的视角，同一个变换 80
4.2 对角化：寻找最简明的相似矩阵 85
4.3 关键要素：特征向量与特征值 89
第5章 降维与压缩：抓住主成分
5.1 最重要的矩阵：对称矩阵 96
5.2 数据分布的度量 100
5.3 利用特征值分解（EVD）进行主成分分析（PCA） 103
5.4 更通用的利器：奇异值分解（SVD） 111
5.5 利用奇异值分解进行数据降维 116
第6章 实践与应用：线代用起来
6.1 SVD在推荐系统中的应用 124
6.2 利用SVD进行彩色图片压缩 133
第7章 函数与复数域：概念的延伸
7.1 傅里叶级数：从向量的角度看函数 145
7.2 复数域中的向量和矩阵 151
· · · · · · (收起)
读后感
评分
评分
评分
评分
用户评价
2020年读完的第2本书，第五章和第七章感觉讲的有点赶，而且第六章给的实战例子就是基于有点赶的第五章……前四章讲的挺好的，有推理有公式。比较推荐。
评分对于系统学过线性代数和包括Numpy在内的Python的读者来说，很好地梳理了一遍线性代数的思路，并告知了读者相应的Python工具，其余就靠自己领会和阅读其他书籍了，但是读完还是希望作者能在书中包括更多的内容，比如简略的最后一章可以更加充实一点。
评分我人傻钱多不怪谁，但也别欺负人行不，这书能出版简直亵渎了纸。书中错误连连，在网站上抄的代码都能出错，也是简直了。一个例子竟然是用两个不想干的例子凑成的，简直太不认真了。这位作者，咱收手吧，别误导大众了。写了一堆什么玩意儿这是，气死我了。什么阿猫阿狗都能写书，服了。
评分2020年读完的第2本书，第五章和第七章感觉讲的有点赶，而且第六章给的实战例子就是基于有点赶的第五章……前四章讲的挺好的，有推理有公式。比较推荐。
评分一般般吧，有些部分讲的不清楚
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 book.quotespace.org All Rights Reserved. 小美书屋 版权所有