作者归档 | Jason Brownlee

线性回归是一种用于模拟一个或多个自变量与一个因变量之间关系的方法。它是统计学中的基石，通常被认为是一种很好的入门级机器学习方法。它也是一种可以使用矩阵表示法重构并使用矩阵运算求解的方法。在本教程中，[...]

一种重要的用于降维的机器学习方法称为主成分分析。它是一种使用线性代数和统计学中的简单矩阵运算，将原始数据投影到相同或更少维度的计算方法。在本教程中，您将发现主成分分析机器学习方法 [...]

基础统计是应用机器学习中用于更好地理解数据的有用工具。它们也为更高级的线性代数运算和机器学习方法（如协方差矩阵和主成分分析）提供了基础。因此，掌握 [...] 至关重要。

矩阵分解，也称为矩阵因子分解，包括使用给定矩阵的构成元素来描述它。也许最著名和最广泛使用的矩阵分解方法是奇异值分解，简称 SVD。所有矩阵都有 SVD，这使其比其他方法（如特征分解）更稳定。因此，它常被 [...]

您在 NumPy 中用于机器学习的所有线性代数运算。名为 NumPy 的 Python 数值计算库提供了许多对机器学习从业者有用的线性代数函数。在本教程中，您将发现用于处理向量和矩阵的关键函数，您可能会 [...]

如何获取机器学习线性代数方面的帮助？线性代数是数学的一个分支，也是机器学习领域的重要支柱。对于初学者或几十年没接触过该主题的从业者来说，这可能是一个挑战。在这篇文章中，您将发现如何 [...]

矩阵分解是将矩阵分解为其组成部分的一种有用工具，以便简化一系列更复杂的操作。也许最常用的矩阵分解类型是特征分解，它将矩阵分解为特征向量和特征值。这种分解在机器学习中使用的方法中也起着作用，[...]

许多复杂的矩阵运算由于计算机精度的限制而无法高效或稳定地求解。矩阵分解是减少矩阵到其组成部分的方法，这些方法使其更容易计算更复杂的矩阵运算。矩阵分解方法，也称为矩阵因子分解方法，是计算机中线性代数的基础，甚至 [...]

在深度学习中，人们经常讨论张量是基石数据结构。张量甚至出现在谷歌旗舰机器学习库“TensorFlow”的名称中。张量是线性代数中使用的一种数据结构，与向量和矩阵一样，您可以对张量进行算术运算。在 [...]

矩阵运算用于描述许多机器学习算法。一些运算可以直接用于求解关键方程，而另一些则在描述和使用更复杂的矩阵运算时提供有用的简写或基础。在本教程中，您将发现用于描述 [...] 的重要线性代数矩阵运算。