机器学习的数学基础：学习线性代数，不要误入歧途！推荐一条正确的学习路线做完前言《机器学习深度研究：机器学习中的高等数学/微积分及Python实现》，很对不起各位读者，对自己写的不满意。上一篇文章提到过，这种极其基础的知识是最难介绍的。我也在想怎么换个方法把问题说清楚。不过今日头条不支持数学公式，篇幅有限。所以在这篇文章中，我想介绍一下我的学习过程，看过好的教材和视频，推荐给大家。这样大家就可以少走弯路，更全面的学习知识。同时我建议：贪而不嚼，求精而不为过，我有信心，看完我推荐的书和视频，线性代数一定可以搞定。机器学习中的线性代数线性代数是机器学习领域的一个组成部分，从描述算法运行的符号到代码中算法的实现，都属于线性代数的研究范围。线性代数在机器学习中几乎无处不在。具体用到的知识点是：向量及其各种运算，包括加、减、乘、转置、内积向量和矩阵范数、L1范数和L2范数矩阵及其各种运算，包括加、减、乘、数乘、逆矩阵的定义和性质行列式的定义和计算方法二次型矩阵的定义、正定矩阵的特征值和特征值特征向量矩阵的奇异值分解线性方程组的数值解，尤其是共轭梯度法教材推荐学习线性代数，千万不要拿出同济大学的课本，这本书很烂，只适合考试复习。我推荐《Linear Algebra Review and Reference》本材料是CS229AndrewNg-MechineLearning线性代数课程的复习讲义。英文不好的同学不用担心，已经有大佬翻译成中文了，目录如下：基本概念和符号1.1基本符号2.矩阵乘法2.1向量-向量乘法2.2矩阵-向量乘法2.3矩阵-矩阵乘法3运算和属性3.1单位矩阵和对角矩阵3.2转置3.3对称矩阵3.4矩阵的迹3.5范数3.6线性相关和秩3.7方矩阵的逆3.8正交矩阵3.9矩阵的范围和零空间3.10行列式3.11二次和半正定矩阵3.12特征值和特征向量3.13对称矩阵的特征值和特征向量4.矩阵微积分4.1梯度4.2Hessian矩阵4.3二次函数和线性函数的梯度和Hessian矩阵4.4最小二乘法4.5行列式优化的梯度4.6需要电子版的请私信我：linearalgebrawx:htsa360视频推荐有些同学比较喜欢看视频，这里我吹一个大名鼎鼎的3blue1brown出品的教程：《线性代数的本质》，3blue1brown的课程，动画精美，讲解生动，非常适合帮助建立数学视觉思考，值得反复观看。看完之后，相信你会发出这样的感慨：我以前学的线性代数是什么鬼！例如，叉积的概念不能更广泛地应用于机器学习。3B1B的解释是：将w投影到v所在的直线上，将w投影到v的长度乘以v的长度，就是它的点想看累加值的同学可以去B站搜索：av6731067
