# 學習機器學習線性代數的主要資源 > 原文： [https://machinelearningmastery.com/resources-for-linear-algebra-in-machine-learning/](https://machinelearningmastery.com/resources-for-linear-algebra-in-machine-learning/) ### 如何獲得機器學習的線性代數幫助？ 線性代數是數學領域，是機器學習領域的重要支柱。 對于初學者或幾十年來沒有看過這個主題的從業者來說，這可能是一個具有挑戰性的話題。 在這篇文章中，您將了解如何獲得機器學習的線性代數幫助。 閱讀這篇文章后，你會知道： * 您可以參考線性代數的維基百科文章和教科書。 * 您可以學習或復習線性代數的大學課程和在線課程。 * 問答網站，您可以在其中發布有關線性代數主題的問題。 讓我們開始吧。  學習用于機器學習的線性代數的主要資源 照片來自 [mickey](https://www.flickr.com/photos/mc-pictures/7870273950/) ，保留一些權利。 ## 概觀 這篇文章分為 6 個部分;他們是： 1. 維基百科上的線性代數 2. 線性代數教科書 3. 線性代數大學課程 4. 線性代數在線課程 5. 詢問有關線性代數的問題 6. NumPy 資源 ## 維基百科上的線性代數 維基百科是一個很好的起點。 涵蓋了所有重要主題，描述簡潔，方程式一致且可讀。缺少的是更多的人類層面描述，如類比和直覺。 然而，當你對線性代數有疑問時，我建議先按維基百科停止。 一些好的高級頁面包括： * [線性代數](https://en.wikipedia.org/wiki/Linear_algebra) * [矩陣（數學）](https://en.wikipedia.org/wiki/Matrix_(mathematics)) * [矩陣分解](https://en.wikipedia.org/wiki/Matrix_decomposition) * [線性代數主題列表](https://en.wikipedia.org/wiki/List_of_linear_algebra_topics) ## 線性代數教科書 我強烈建議您獲得一本關于線性代數主題的優秀教科書，并將其作為參考。 好的教科書的好處是，您所需的各種操作的解釋將是一致的（或應該是）。教科書的缺點是它們可能非常昂貴。 一本好的教科書通常很容易被發現，因為它將成為頂尖大學的一系列本科或研究生課程的基礎。 我推薦的一些關于線性代數的入門教材包括： [](http://www.amazon.com/dp/0980232775?tag=inspiredalgor-20) * [線性代數簡介](http://amzn.to/2j2J0g4)，第五版，Gilbert Strang，2016。 * [Linear Algebra Done Right](http://amzn.to/2BGuEqI) ，第三版，2015 年。 * [沒有廢話指導線性代數](http://amzn.to/2k76D4C)，Ivan Savov，2017 年。 我推薦的一些更高級的教科書包括： [](http://www.amazon.com/dp/1421407949?tag=inspiredalgor-20) * [Matrix Computations](http://amzn.to/2B9xnLD) ，Gene Golub 和 Charles Van Loan，2012。 * [數值線性代數](http://amzn.to/2kjEF4S)，Lloyd Trefethen 和 David Bau 1997。 我還推薦一本關于多元統計的好教科書，它是線性代數和數值統計方法的交集。一些好的入門教材包括： [](http://www.amazon.com/dp/8120345878?tag=inspiredalgor-20) * [應用多變量統計分析](http://amzn.to/2AUcEc5)，Richard Johnson 和 Dean Wichern，2012 年。 * [應用多變量統計分析](http://amzn.to/2AWIViz)，Wolfgang Karl Hardle 和 Leopold Simar，2015 年。 還有許多由學者撰寫的免費在線書籍。有關廣泛（且令人印象深刻）的閱讀列表，請參閱 Wikipedia 上[線性代數頁面的末尾。](https://en.wikipedia.org/wiki/Linear_algebra#Further_reading) ## 線性代數大學課程 關于線性代數的大學課程是有用的，因為它們布置了本科生應該知道的主題。 作為一個機器學習從業者，它不僅僅是你需要的，而是為你需要知道的元素提供上下文。 許多大學課程現在提供 PDF 版本的演講幻燈片，筆記和閱讀材料。有些人甚至提供預先錄制的視頻講座，這些講座非常寶貴。 我鼓勵您通過浸入課程來手術使用大學課程材料，以獲得有關特定主題的更深入的知識。我認為通過端到端的特定課程進行操作太耗費時間，并且對于普通的機器學習從業者來說太多了。 美國頂尖學校的一些推薦課程包括： * 麻省理工學院的[線性代數](https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/index.htm)由 Gilbert Strang 撰寫。 * [計算機科學中的矩陣](http://cs.brown.edu/courses/cs053/current/index.htm)在布朗由菲利普克萊因。 * [計算線性代數](https://github.com/fastai/numerical-linear-algebra/)，由雷切爾托馬斯在舊金山大學編碼。 ## 線性代數在線課程 在線課程與大學課程不同。 它們專為遠程教育而設計，通常不如完整的本科課程完整或不那么嚴格。對于希望快速掌握主題的機器學習從業者而言，這是一個很好的功能。 如果課程很短，可能值得通過端到端進行。一般而言，和大學課程一樣，我建議對主題進行外科手術并根據需要進行深入研究。 我推薦的一些在線課程包括： * [可汗學院的線性代數](https://www.khanacademy.org/math/linear-algebra) * [線性代數：edX 上的前沿基礎](https://www.edx.org/course/laff-linear-algebra-foundations-to-frontiers) ## 詢問有關線性代數的問題 鑒于當前豐富的問答平臺，有很多地方可以在線詢問有關線性代數的問題。 以下是我建議發布問題的熱門地點列表。請務必在發布之前搜索您的問題，以防以前被詢問和回答。 * [數學堆棧交換中的線性代數標簽](https://math.stackexchange.com/?tags=linear-algebra) * [交叉驗證的線性代數標簽](https://stats.stackexchange.com/questions/tagged/linear-algebra) * [Stack Overflow](https://stackoverflow.com/questions/tagged/linear-algebra) 上的線性代數標簽 * [Quora 上的線性代數](https://www.quora.com/topic/Linear-Algebra) * [Math Subreddit](https://www.reddit.com/r/math/) ## NumPy 資源 在 Python 中實現線性代數時，您可能需要 NumPy 的幫助。 NumPy API 文檔非常好，下面是一些資源，您可以使用它們來了解有關 NumPy 如何工作或如何使用特定 NumPy 函數的更多信息。 * [NumPy 參考](https://docs.scipy.org/doc/numpy/reference/) * [NumPy 數組創建例程](https://docs.scipy.org/doc/numpy/reference/routines.array-creation.html) * [NumPy 數組操作例程](https://docs.scipy.org/doc/numpy/reference/routines.array-manipulation.html) * [NumPy 線性代數](https://docs.scipy.org/doc/numpy/reference/routines.linalg.html) * [SciPy 線性代數](https://docs.scipy.org/doc/scipy/reference/linalg.html) 如果您正在尋找對 NumPy 和 SciPy 使用的更廣泛理解，以下書籍提供了一個很好的起始參考： * [Python for Data Analysis](http://amzn.to/2B1sfXi) ，2017。 * [優雅的 SciPy](http://amzn.to/2yujXnT) ，2017。 * [NumPy 指南](http://amzn.to/2j3kEzd)，2015 年。 ## 摘要 在這篇文章中，您發現了如何獲得機器學習的線性代數幫助。 具體來說，您了解到： * 您可以參考線性代數的維基百科文章和教科書。 * 您可以學習或復習線性代數的大學課程和在線課程。 * 問答網站，您可以在其中發布有關線性代數主題的問題。 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。