总览
用于机器学习的线性代数LiveLessons使您对线性代数的理论和实践有所了解，重点是机器学习应用程序。
MP4 | 视频：h264，1280×720 | 音频：AAC，44.1 KHz，2声道
类型：在线学习| 语言：英语| 时长：58课（6h 32m）| 大小：11.3 GB
关于讲师
乔恩·克罗恩（Jon Krohn）是不熟悉的机器学习公司的首席数据科学家。他撰写了《深度学习插图》一书（Addison-Wesley，2020年），该书排名第一，已被翻译成六种语言。乔恩因其引人入胜的演讲而闻名，他亲自在哥伦比亚大学和纽约大学提供演讲，并通过O’Reilly，YouTube和Super Data Science Podcast在线提供演讲。乔恩（Jon）拥有牛津大学的博士学位，自2010年以来一直在领先的学术期刊上发表有关机器学习的文章；他的论文被引用了一千多次。
技能水平
中级
学习如何 理解
代数在机器学习和深度学习中的作用
了解线性代数的基础知识，这是解决高维空间中未知数的一种普遍方法，
对机器学习算法背后发生的事情发展出一种几何上的直觉（包括用于深度学习的那些）
能够更紧密地掌握机器学习论文以及ML基础的所有其他主题的细节，包括演算，统计和优化算法
操纵所有维度的张量，包括标量，向量和所有领先的Python张量库中的矩阵：NumPy，TensorFlow和PyTorch
使用诸如特征分解（特征向量和特征值），奇异值分解以及主成分分析之类的技术将复杂空间的维数降至其最有用的元素，
谁应该上这门课
高级软件库的用户（例如scikit-learn， Keras，TensorFlow）培训或部署的机器学习算法，谁现在想了解抽象背后的基本面，使他们能够扩大自己的能力，
软件开发谁愿意开发机器学习算法的部署打下坚实的基础投入生产系统
数据希望加强其专业学科核心知识的科学家
想要成为数据科学家或数据/ ML工程师并热衷于从头开始深刻理解他们所进入的领域的数据分析师或AI爱好者（非常明智！）
课程要求
数学：熟悉中学水平的数学将使课程更容易掌握。如果您对处理定量信息（例如理解图表和重新排列简单的方程式）感到满意，那么您应该做好充分的准备以配合所有数学。
编程：所有代码演示都使用Python，因此有经验或使用其他面向对象的编程语言的经验将有助于后续操作。
课程说明
第1课：线性代数的方向
在第1课中，Jon从线性代数的定义开始。然后，他向您展示了如何使用它来解决线性方程组中的未知数。接下来，他讨论了为什么线性代数在包括深度学习在内的现代机器学习中如此重要。最后，他总结了简短的代数历史和一些理解练习。
第2课：代数的数据结构
第2课着重于张量，线性代数的基本数据结构。乔恩从零维标量张量开始。然后，他介绍了一维向量张量，包括转置，范数和单位向量的主题，以及正交向量和正交向量的基础。本课程包括二维矩阵张量和高维n张量以及一些练习。
第3课：常用张量运算
第3课是关于常用张量运算的信息，包括转置，基本张量算术，归约和点积。通过练习结束。
第4课：求解线性系统
在第4课中，您将从动手演示的代码中短暂休息一下，以学习如何手动求解线性系统。重点是替代和淘汰战略。本课程以练习来强化这些概念。
第5课：矩阵乘法
第5课是关于矩阵乘法的。首先介绍了向量矩阵乘法，然后是矩阵矩阵乘法。接下来，讨论对称矩阵和恒等矩阵的概念，然后进行练习以证明它们与矩阵乘法的相关性。最后，乔恩总结了矩阵乘法在机器学习和深度学习应用中的关键作用。
第6课：特殊矩阵和矩阵运算
第6课介绍了许多机器学习必不可少的特殊矩阵和特殊矩阵运算。这些包括Frobenius范数，矩阵求逆，对角矩阵，正交矩阵和跟踪运算符。
第7课：特征向量和特征值
第7课以Jon讨论本征概念为主题。他在此之后进行了一些练习，以使您热身以尝试使用Python中的特征向量，包括高维特征向量。
第8课：矩阵行列式和分解
Jon从第8课开始，阐述了如何计算2 x 2矩阵的行列式以及较大矩阵的行列式。这为您准备自己进行行列式准备工作做好了准备。本课程的后半部分讨论行列式与特征值之间的关系，并概述了现实世界中广泛的特征分解应用。
第9课：使用线性代数进行机器学习
在第9课中，乔恩（Jon）帮助您将以前引入的许多概念联系在一起，以支持许多有用的机器学习应用程序。您将学习奇异值分解以压缩媒体文件，了解Moore-Penrose伪逆以形成回归，并学习主成分分析以将数据集分解为影响最大的成分。最后，乔恩（Jon）为您提供了进一步学习线性代数的资源。
