【推荐语】
传统教材的不足：传统教材的风格偏重理论定义和运算技巧，想以此高效地打下机器学习的数学基础，针对性和可读性并不佳。
《机器学习线性代数基础：Python语言描述》的优势：本书以机器学习涉及的线性代数核心知识为重点，进行新的尝试和突破：从坐标与变换、空间与映射、近似与拟合、相似与特征、降维与压缩这5个维度，环环相扣地展开线性代数与机器学习算法紧密结合的核心内容。
《机器学习线性代数基础：Python语言描述》的优势：本书以机器学习涉及的线性代数核心知识为重点，进行新的尝试和突破：从坐标与变换、空间与映射、近似与拟合、相似与特征、降维与压缩这5个维度，环环相扣地展开线性代数与机器学习算法紧密结合的核心内容。
【内容】
数学是机器学习绕不开的基础知识，传统教材的风格偏重理论定义和运算技巧，想以此高效地打下机器学习的数学基础，针对性和可读性并不佳。本书以机器学习涉及的线性代数核心知识为重点，进行新的尝试和突破：从坐标与变换、空间与映射、近似与拟合、相似与特征、降维与压缩这5个维度，环环相扣地展开线性代数与机器学习算法紧密结合的核心内容，并分析推荐系统和图像压缩两个实践案例，在介绍完核心概念后，还将线性代数的应用领域向函数空间和复数域中进行拓展与延伸；同时极力避免数学的晦涩枯燥，充分挖掘线性代数的几何内涵，并以Python语言为工具进行数学思想和解决方案的有效实践。 《机器学习线性代数基础：Python语言描述》适合实践于数据分析、信号处理等工程领域的读者，也适合在人工智能、机器学习领域进行理论学习和实践，希望筑牢数学基础的读者，以及正在进行线性代数课程学习的读者阅读。
【目录】
第1章 坐标与变换：高楼平地起
1.1描述空间的工具：向量 2
1.2基底构建一切，基底决定坐标 13
1.3矩阵，让向量动起来 18
1.4矩阵乘向量的新视角：变换基底 27
第2章 空间与映射：矩阵的灵魂
2.1矩阵：描述空间中的映射 34
2.2追因溯源：逆矩阵和逆映射 42
2.3向量空间和子空间 50
2.4老树开新花，道破方程组的解 55
第3章 近似与拟合：真相*近处
3.1投影，寻找距离*近的向量 62
3.2深入剖析*小二乘法的本质 69
3.3施密特正交化：寻找**投影基 74
第4章 相似与特征：**观察角
4.1相似变换：不同的视角，同一个变换 80
4.2对角化：寻找*简明的相似矩阵 85
4.3关键要素：特征向量与特征值 89
第5章 降维与压缩：抓住主成分
5.1*重要的矩阵：对称矩阵 96
5.2数据分布的度量 100
5.3利用特征值分解（EVD）进行主成分分析（PCA） 103
5.4更通用的利器：奇异值分解（SVD） 111
5.5利用奇异值分解进行数据降维 116
第6章 实践与应用：线代用起来
6.1SVD在推荐系统中的应用 124
6.2利用SVD进行彩色图片压缩 133
第7章 函数与复数域：概念的延伸
7.1傅里叶级数：从向量的角度看函数 145
7.2复数域中的向量和矩阵 151 显示全部信息
1.1描述空间的工具：向量 2
1.2基底构建一切，基底决定坐标 13
1.3矩阵，让向量动起来 18
1.4矩阵乘向量的新视角：变换基底 27
第2章 空间与映射：矩阵的灵魂
2.1矩阵：描述空间中的映射 34
2.2追因溯源：逆矩阵和逆映射 42
2.3向量空间和子空间 50
2.4老树开新花，道破方程组的解 55
第3章 近似与拟合：真相*近处
3.1投影，寻找距离*近的向量 62
3.2深入剖析*小二乘法的本质 69
3.3施密特正交化：寻找**投影基 74
第4章 相似与特征：**观察角
4.1相似变换：不同的视角，同一个变换 80
4.2对角化：寻找*简明的相似矩阵 85
4.3关键要素：特征向量与特征值 89
第5章 降维与压缩：抓住主成分
5.1*重要的矩阵：对称矩阵 96
5.2数据分布的度量 100
5.3利用特征值分解（EVD）进行主成分分析（PCA） 103
5.4更通用的利器：奇异值分解（SVD） 111
5.5利用奇异值分解进行数据降维 116
第6章 实践与应用：线代用起来
6.1SVD在推荐系统中的应用 124
6.2利用SVD进行彩色图片压缩 133
第7章 函数与复数域：概念的延伸
7.1傅里叶级数：从向量的角度看函数 145
7.2复数域中的向量和矩阵 151 显示全部信息
