具體描述
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綫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、近似與擬閤、相似與特徵、降維與壓縮這5個維度，環環相扣地展開綫性代數與機器學習算法緊密結閤的核心內容，並分析推薦係統和圖像壓縮兩個實踐案例，在介紹完核心概念後，還將綫性代數的應用領域嚮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，充分挖掘綫性代數的幾何內涵，並以Python語言為工具進行數學思想和解決方案的有效實踐。
本書適閤實踐於數據分析、信號處理等工程領域的讀者，也適閤在人工智能、機器學習領域進行理論學習和實踐，希望築牢數學基礎的讀者，以及正在進行綫性代數課程學習的讀者閱讀。
著者簡介
張雨萌，畢業於清華大學計算機係，現就職於中國艦船研究設計中心，長期從事人工智能領域相關研究工作，主要研究方嚮為數據分析、自然語言處理。
圖書目錄
1.1 描述空間的工具：嚮量 2
1.2 基底構建一切，基底決定坐標 13
1.3 矩陣，讓嚮量動起來 18
1.4 矩陣乘嚮量的新視角：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 嚮量空間和子空間 50
2.4 老樹開新花，道破方程組的解 55
第3章 近似與擬閤：真相最近處
3.1 投影，尋找距離最近的嚮量 62
3.2 深入剖析最小二乘法的本質 69
3.3 施密特正交化：尋找最佳投影基 74
第4章 相似與特徵：最佳觀察角
4.1 相似變換：不同的視角，同一個變換 80
4.2 對角化：尋找最簡明的相似矩陣 85
4.3 關鍵要素：特徵嚮量與特徵值 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 96
5.2 數據分布的度量 100
5.3 利用特徵值分解（EVD）進行主成分分析（PCA） 103
5.4 更通用的利器：奇異值分解（SVD） 111
5.5 利用奇異值分解進行數據降維 116
第6章 實踐與應用：綫代用起來
6.1 SVD在推薦係統中的應用 124
6.2 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 傅裏葉級數：從嚮量的角度看函數 145
7.2 復數域中的嚮量和矩陣 151
· · · · · · (收起)
讀後感
評分
評分
評分
評分
用戶評價
一般般吧，有些部分講的不清楚
评分對於係統學過綫性代數和包括Numpy在內的Python的讀者來說，很好地梳理瞭一遍綫性代數的思路，並告知瞭讀者相應的Python工具，其餘就靠自己領會和閱讀其他書籍瞭，但是讀完還是希望作者能在書中包括更多的內容，比如簡略的最後一章可以更加充實一點。
评分一般般吧，有些部分講的不清楚
评分我人傻錢多不怪誰，但也彆欺負人行不，這書能齣版簡直褻瀆瞭紙。書中錯誤連連，在網站上抄的代碼都能齣錯，也是簡直瞭。一個例子竟然是用兩個不想乾的例子湊成的，簡直太不認真瞭。這位作者，咱收手吧，彆誤導大眾瞭。寫瞭一堆什麼玩意兒這是，氣死我瞭。什麼阿貓阿狗都能寫書，服瞭。
评分2020年讀完的第2本書，第五章和第七章感覺講的有點趕，而且第六章給的實戰例子就是基於有點趕的第五章……前四章講的挺好的，有推理有公式。比較推薦。
相關圖書
本站所有內容均為互聯網搜索引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 book.quotespace.org All Rights Reserved. 小美書屋 版权所有