线性代数是应用数学的一个领域，是阅读和理解深度学习方法正式描述（如论文和教科书）的先决条件。通常，对线性代数（或其部分内容）的理解被视为机器学习的先决条件。尽管很重要，但这个数学领域很少被涵盖……

包含零值占多数的矩阵称为稀疏矩阵，与大多数值为非零的矩阵（称为稠密矩阵）不同。大型稀疏矩阵在通用领域和特别是应用机器学习中很常见，例如包含计数的数据、将类别映射到计数的编码，甚至在整个机器学习的子领域中……

不同大小的数组不能相加、相减或进行一般的算术运算。克服这一问题的方法是复制较小的数组，使其维度和大小与较大的数组相同。这称为数组广播，在 NumPy 执行数组算术时可用，这可以大大减少……

线性代数是数学的一个子领域，涉及向量、矩阵和线性变换。它是机器学习领域的一个关键基础，从描述算法操作的符号到代码中算法的实现。尽管线性代数对机器学习领域至关重要，但紧密的关系……

有许多书籍介绍了线性代数领域。大多数是面向本科生的教科书，充满了理论上的赘述，对该领域的初学者或从业者来说几乎不相关且大多令人分心。在这篇文章中，您将发现“无废话线性代数指南”这本书……

线性回归是一种用于建模一个或多个自变量与因变量之间关系的方法。它是统计学的基石，通常被认为是入门级的机器学习方法。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……

一种重要的机器学习降维方法称为主成分分析。它是一种使用线性代数和统计学的简单矩阵运算来计算原始数据投影到相同或更少维度的过程。在本教程中，您将了解主成分分析机器学习方法……

基础统计是应用机器学习中有用的工具，可以帮助您更好地理解数据。它们也是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）提供基础的工具。因此，牢牢掌握……

矩阵分解，也称为矩阵因子分解，涉及使用给定矩阵的构成元素来描述它。也许最知名和最广泛使用的矩阵分解方法是奇异值分解（SVD）。所有矩阵都有 SVD，这使其比特征值分解等其他方法更稳定。因此，它通常用于……

您在机器学习中需要使用的所有 NumPy 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……