# 線性代數評論沒有廢話指南 > 原文： [https://machinelearningmastery.com/no-bullshit-guide-to-linear-algebra-review/](https://machinelearningmastery.com/no-bullshit-guide-to-linear-algebra-review/) 有許多書籍介紹了線性代數領域。 大多數是針對本科生的教科書，并且充滿了幾乎沒有相關性的理論偏見，并且大多分散了初學者或實踐者對該領域的注意力。 在這篇文章中，您將發現“[無線性代數的廢話指南](http://www.amazon.com/dp/0992001021?tag=inspiredalgor-20)”這本書，它簡單介紹了線性代數領域，并假設沒有先前的數學知識。 閱讀這篇文章后，你會知道： * 關于本書對初學者或從業者的目標和好處。 * 本章內容和每章介紹的一般主題。 * 一個選定的閱讀列表，針對希望快速加速的機器學習從業者。 讓我們開始吧。  沒有廢話指南線性代數評論 照片由 [Ralf Kayser](https://www.flickr.com/photos/ralky/7233272960/) ，保留一些權利。 ## 圖書概述 該書提供了線性代數的介紹，可與本科大學課程相媲美。 這本書的關鍵方法是沒有廢話，直截了當。這意味著激光專注于給定的操作或技術，沒有（或很少）繞道或離題。 這本書是由 Ivan Savov 編寫的，第二版于 2017 年發布.Ivan 擁有電氣工程學士學位和碩士和博士學位。在物理學方面，他作為數學和物理學的私人導師在過去的 15 年里一直工作。他知道這個主題以及學生遇到困難的地方。 [](http://www.amazon.com/dp/0992001021?tag=inspiredalgor-20) ### 沒有先決條件數學 這本書對于機器學習從業者來說是一本很好的書是因為這本書是獨立的。它沒有假設任何先前的數學背景，所有先決條件數學，這是最小的，在第一章標題為“_ 數學基礎 _”中有所介紹。 如果你從未學過線性代數，或者你幾十年前在學校學過它并且幾乎忘記了一切，那么它是完美的書。 ### 練習練習 使本書適合機器學習從業者的另一個方面是它包括練習。 每個部分都以一些 pop-quiz 樣式問題結束。 每章最后都有一個問題集供您使用。 最后，附錄 A 提供了本書中所有練習的答案。 ## 目錄 本節提供了本書目錄的摘要。 1. **數學基礎**。涵蓋了開始學習線性代數所需的必備數學主題。主題包括數字，函數，三角函數，復數和集合表示法。 2. **線性代數**簡介。向量和矩陣代數的介紹，是線性代數的基礎。主題包括向量和矩陣運算和線性。 3. **計算線性代數**。本章介紹了在開始實現線性代數時遇到的問題，并且必須以任何規模處理操作。主題包括矩陣方程，矩陣乘法和行列式。給出了一些 Python 示例。 4. **線性代數的幾何方面**。涵蓋了向量代數的幾何直覺，這是很常見的。主題包括直線和平面，投影和向量空間。 5. **線性變換**。涵蓋線性代數的核心光纖，正如 Ivan 所描述的那樣。介紹線性變換。 6. **理論線性代數**。在應用之前涵蓋矩陣代數的最后幾步。涵蓋了矩陣分解方法，矩陣類型等主題。 7. **申請**。本章介紹了線性代數應用于電子，圖形，計算機圖形等各種領域的令人印象深刻的列表。令人印象深刻的一章讓整本書中學到的方法具體化。 8. **概率論**。在包括馬爾可夫鏈和 PageRank 算法的線性代數的背景下提供概率論的速成課程。 9. **量子力學**。通過線性代數的鏡頭提供量子力學的速成課程，線性代數是作者的專業領域。 ## 機器學習從業者的選擇 這本書很棒，如果你真的喜歡它，我建議你從封面到封面閱讀。 但是，作為機器學習從業者，您不需要全部閱讀。 以下是我建議快速獲得線性代數的書中所選閱讀的列表： * **概念圖**。頁面 v。在目錄之后直接提供了思維導圖類型圖的集合，其中顯示了書中的概念，以及實際上線性代數領域中的概念。如果您是視覺思考者，這些可能有助于將各個部分組合在一起。 * 第 1.15 節，**載體**。在任何向量代數之前，簡要介紹向量。有用的背景。 * 第 2 章，**線性代數簡介**。第 101-130 頁。閱讀整章。它涵蓋： * 線性代數中術語的定義。 * 向量運算，如算術運算和向量范數。 * 矩陣運算，如算術運算和點積運算。 * 線性以及這個關鍵概念究竟在線性代數中意味著什么 * 線性代數（幾何，理論等）的不同方面如何相關的概述。 * 第 3.2 節**矩陣方程**。第 147.頁包括用于計算矩陣運算的解釋和清晰圖表，尤其是必須知道的矩陣乘法 * 第 6.1 節**特征值和特征向量**。第 262 頁。介紹特征分解，該特征分解用作主成分分析等方法中的關鍵操作。 * 第 6.2 節**特殊類型的矩陣**。第 275 頁介紹了各種不同類型的矩陣，如對角線，對稱，正交等。 * 第 6.6 節**矩陣分解**。引入矩陣分解方法，重新覆蓋特征分解，但也包括 LU，QR 和奇異值分解。 * 第 7.7 節**最小二乘近似解**。第 241 頁。最小二乘矩陣公式的介紹，稱為線性最小二乘法。 * 附錄 B，**表示法**。數學和線性代數符號的摘要。 ## 進一步閱讀 如果您希望深入了解，本節將提供有關該主題的更多資源。 * [亞馬遜上的線性代數沒有廢話指南](http://amzn.to/2k76D4C) * [Mini Reference Publisher 主頁](https://minireference.com/) * [推特上的 Ivan Savov](https://twitter.com/mcgillweb) * [線性代數在四頁](https://minireference.com/blog/linear-algebra-tutorial/)，2013 中進行了解釋。 ## 摘要 在這篇文章中，您發現了一本書“線性代數的無廢話指南”，該書提供了對線性代數領域的溫和介紹，并假設沒有先前的數學知識。 具體來說，你學到了： * 關于本書對初學者或從業者的目標和好處。 * 本章內容和每章介紹的一般主題。 * 一個選定的閱讀列表，針對希望快速加速的機器學習從業者。 你讀過這本書嗎？你覺得呢？ 請在下面的評論中告訴我。 你有任何問題嗎？ 在下面的評論中提出您的問題，我會盡力回答。