如何获得机器学习线性代数方面的帮助？
线性代数是一门数学领域，也是机器学习领域的重要支柱。
对于初学者或已经几十年未接触过该主题的从业者来说，这可能是一个具有挑战性的主题。
在这篇文章中，您将了解如何获得机器学习线性代数方面的帮助。
阅读本文后，你将了解：
- 可供参考的线性代数维基百科文章和教科书。
- 您可以学习或复习线性代数的大学课程和在线课程。
- 可以提问线性代数相关问题的问答网站。
开启您的项目，阅读我的新书《机器学习线性代数》，其中包含分步教程和所有示例的Python源代码文件。
让我们开始吧。
学习机器学习线性代数的顶级资源
照片由 mickey 提供，部分权利保留。
概述
本文分为 6 个部分，它们是：
- 维基百科上的线性代数
- 线性代数教科书
- 线性代数大学课程
- 线性代数在线课程
- 提问线性代数问题
- NumPy 资源
在机器学习线性代数方面需要帮助吗？
立即参加我为期7天的免费电子邮件速成课程（附示例代码）。
点击注册，同时获得该课程的免费PDF电子书版本。
维基百科上的线性代数
维基百科是一个很好的起点。
所有重要的主题都涵盖了，描述简洁，公式一致且易于阅读。所缺乏的是更人性化的描述，例如类比和直观解释。
尽管如此，当您对线性代数有疑问时，我建议您首先查阅维基百科。
一些很好的入门页面包括：
线性代数教科书
我强烈建议您获得一本关于线性代数的优秀教科书，并将其作为参考。
一本好的教科书的好处是，对您所需的各种操作的解释将是一致的（或应该是）。教科书的缺点是它们可能非常昂贵。
一本好的教科书通常很容易辨认，因为它将是顶尖大学一系列本科或研究生课程的基础。
我推荐的一些入门线性代数教科书包括：
《线性代数导论》，第五版，Gilbert Strang，2016
- 《线性代数导论》，第五版，Gilbert Strang，2016。
- 《线性代数精要》，第三版，2015。
- 《无废话线性代数指南》，Ivan Savov，2017。
我推荐的一些更高级的教科书包括：
矩阵计算
我还会推荐一本关于多元统计学的优秀教科书，这是线性代数和数值统计方法的交叉点。一些好的入门教科书包括：
应用多元统计分析，
- 《应用多元统计分析》，Richard Johnson 和 Dean Wichern，2012。
- 《应用多元统计分析》，Wolfgang Karl Hardle 和 Leopold Simar，2015。
还有许多由学者撰写的优秀的免费在线书籍。请参阅维基百科上线性代数页面的末尾，那里有一个广泛（且令人印象深刻）的阅读列表。
线性代数大学课程
大学的线性代数课程很有用，因为它们阐明了本科生需要了解的主题。
作为一名机器学习从业者，这超出了您的需求，但它为您需要了解的元素提供了背景。
许多大学课程现在提供讲义、笔记和阅读材料的 PDF 版本。有些甚至提供预录制的视频讲座，这可能非常有价值。
我鼓励您通过“外科手术式”地使用大学课程材料，深入学习特定主题。我认为对于普通的机器学习从业者来说，从头到尾完成一门课程太耗时，而且涵盖的内容太多了。
以下是一些推荐的美国顶尖大学的课程：
- MIT 的 线性代数，由 Gilbert Strang 教授。
- 布朗大学的 计算机科学中的矩阵，由 Philip Klein 教授。
- 旧金山大学的 面向编码者的计算线性代数，由 Rachel Thomas 教授。
线性代数在线课程
在线课程与大学课程不同。
它们是为远程教育设计的，通常比完整的本科课程更不完整或不够严谨。这对于希望快速掌握该主题的机器学习从业者来说是一个优点。
如果课程简短，则值得从头到尾学习。总的来说，与大学课程一样，我建议选择特定主题，按需学习。
我推荐的一些在线课程包括：
- 可汗学院的 线性代数
- edX 上的 线性代数：从基础到前沿
提问线性代数问题
鉴于当前问答平台的普及，有很多地方可以询问有关线性代数的问题。
以下是我建议提问的首选地点列表。请记住，在提问之前先搜索您的疑问，以防它已经被问过并得到解答。
- 数学 Stack Exchange 上的线性代数标签
- Cross Validated 上的线性代数标签
- Stack Overflow 上的线性代数标签
- Quora 上的线性代数
- Reddit 的数学板块
NumPy 资源
在 Python 中实现线性代数时，您可能需要 NumPy 的帮助。
NumPy API 文档非常出色，以下是一些您可以用来进一步了解 NumPy 如何工作或如何使用特定 NumPy 函数的资源：
如果您正在寻找对 NumPy 和 SciPy 用法的更广泛的理解，以下书籍提供了很好的入门参考：
- Python 数据分析, 2017.
- 优雅的 SciPy, 2017.
- NumPy 指南, 2015.
总结
在这篇文章中，您了解了如何获得机器学习线性代数方面的帮助。
具体来说，您学习了
- 可供参考的线性代数维基百科文章和教科书。
- 您可以学习或复习线性代数的大学课程和在线课程。
- 可以提问线性代数相关问题的问答网站。
你有什么问题吗？
在下面的评论中提出你的问题，我会尽力回答。
这些书单信息量很大。书中介绍了八个基本应用，例如微分方程、图和网络、统计学、傅立叶方法、线性规划、计算机图形学、密码学、主成分分析和奇异值。这些书籍支持理解线性代数的重要性。
谢谢。
如果您打算阅读《统计学习要素》，您认为阅读《应用多元统计分析》这本书是否仍然有益？有许多书籍从不同角度涵盖了线性方法和/或回归，我不知道它们是如何重叠的，以及在多大程度上阅读其中一本就足够了。
可能不会，先从一本书开始，然后根据需要继续。
我喜欢为每个子主题阅读多本书，而不是一本书从头读到尾。
我刚进入这个领域，我应该阅读其他书籍，还是这些书籍就足够了？
也许先从一本书开始，看看它是否适合您。