機器學習線性代數(shù)基礎（Python語言描述）

第1章 坐標與變換：高樓平地起
1.1 描述空間的工具：向量 2
1.2 基底構(gòu)建一切，基底決定坐標 13
1.3 矩陣，讓向量動起來 18
1.4 矩陣乘向量的新視角：變換基底 27
　第2章 空間與映射：矩陣的靈魂
2.1 矩陣：描述空間中的映射 34
2.2 追因溯源：逆矩陣和逆映射 42
2.3 向量空間和子空間 50
2.4 老樹開新花，道破方程組的解 55
　第3章 近似與擬合：真相最近處
3.1 投影，尋找距離最近的向量 62
3.2 深入剖析最小二乘法的本質(zhì) 69
3.3 施密特正交化：尋找最佳投影基 74
　第4章 相似與特征：最佳觀察角
4.1 相似變換：不同的視角，同一個變換 80
4.2 對角化：尋找最簡明的相似矩陣 85
4.3 關(guān)鍵要素：特征向量與特征值 89
　第5章 降維與壓縮：抓住主成分
5.1 最重要的矩陣：對稱矩陣 96
5.2 數(shù)據(jù)分布的度量 100
5.3 利用特征值分解（EVD）進行主成分分析（PCA） 103
5.4 更通用的利器：奇異值分解（SVD） 111
5.5 利用奇異值分解進行數(shù)據(jù)降維 116
　第6章 實踐與應用：線代用起來
6.1 SVD在推薦系統(tǒng)中的應用 124
6.2 利用SVD進行彩色圖片壓縮 133
　第7章 函數(shù)與復數(shù)域：概念的延伸
7.1 傅里葉級數(shù)：從向量的角度看函數(shù) 145
7.2 復數(shù)域中的向量和矩陣 151