本科的線性代數課程，側重於運算。重點是：行列式和矩陣的基礎內容，稍微涉及了實數域的線性變換、特徵值與二次型。
而機器學習演算法中，會使用到更多的矩陣知識，而這些知識是本科線代課程沒有講到的，比如：最小二乘、向量與矩陣的求導、酉矩陣、QR分解、酉等價、SVD分解、 矩陣、Jordan標準型、Hermite矩陣、Kronecker積、矩陣範數、正定矩陣、Gersgorin圓盤、廣義逆等等內容。
可以說，機器學習的很多理論基礎，就是建立在矩陣上，所以必須瞭解矩陣分析的知識才能徹底理解機器學習。
比如，主成分分析(principal Component Analysis, PCA) 實際上是一個基的變換，使得變換後的資料有著最大的方差，其計算就是使用SVD分解來完成。
關於矩陣分析的學習資料：
如果你不懂線性代數，建議先學一遍線性代數的知識，推薦 Sheldon Axler 的《Linear Algebra Done Right》(中文名：《線性代數應該這樣學》)，這本書假設你只有基礎的數學知識，適合作為自學用書
《Linear Algebra Done Right》英文版 下載地址：百度雲下載 ， 備份下載
如果對線性代數有一定了解，學習矩陣分析前，建議先學習一本只有43頁的小書《The Matrix Cookbook 》，這本書是一本字典型的書籍，把矩陣分析相關的名詞介紹了一遍，還對很多重要的概念進行了推導，可以帶你快速入門矩陣分析
《The Matrix Cookbook 》下載地址：百度雲下載，備份下載
深入學習矩陣分析，需要紮實地對每一個概念進行理解後，再去學後面的知識。推薦 Roger A. Horn的《矩陣分析》，這本書的第0章介紹了各種定義，之後的每一章從最基礎的概念講起，循序漸進，非常適合自學
《矩陣分析》中文版 下載地址：
百度雲下載，備份下載
本科的線性代數課程，側重於運算。重點是：行列式和矩陣的基礎內容，稍微涉及了實數域的線性變換、特徵值與二次型。
而機器學習演算法中，會使用到更多的矩陣知識，而這些知識是本科線代課程沒有講到的，比如：最小二乘、向量與矩陣的求導、酉矩陣、QR分解、酉等價、SVD分解、 矩陣、Jordan標準型、Hermite矩陣、Kronecker積、矩陣範數、正定矩陣、Gersgorin圓盤、廣義逆等等內容。
可以說，機器學習的很多理論基礎，就是建立在矩陣上，所以必須瞭解矩陣分析的知識才能徹底理解機器學習。
比如，主成分分析(principal Component Analysis, PCA) 實際上是一個基的變換，使得變換後的資料有著最大的方差，其計算就是使用SVD分解來完成。
關於矩陣分析的學習資料：
如果你不懂線性代數，建議先學一遍線性代數的知識，推薦 Sheldon Axler 的《Linear Algebra Done Right》(中文名：《線性代數應該這樣學》)，這本書假設你只有基礎的數學知識，適合作為自學用書
《Linear Algebra Done Right》英文版 下載地址：百度雲下載 ， 備份下載
如果對線性代數有一定了解，學習矩陣分析前，建議先學習一本只有43頁的小書《The Matrix Cookbook 》，這本書是一本字典型的書籍，把矩陣分析相關的名詞介紹了一遍，還對很多重要的概念進行了推導，可以帶你快速入門矩陣分析
《The Matrix Cookbook 》下載地址：百度雲下載，備份下載
深入學習矩陣分析，需要紮實地對每一個概念進行理解後，再去學後面的知識。推薦 Roger A. Horn的《矩陣分析》，這本書的第0章介紹了各種定義，之後的每一章從最基礎的概念講起，循序漸進，非常適合自學
《矩陣分析》中文版 下載地址：
百度雲下載，備份下載