吴恩达机器学习二:线性代数
2017-09-20 09:48
423 查看
器学习学者张志华教授曾经说过:“搞好机器学习,关键是数学,但你又不能把机器学习变成搞数学,那样就漫无边际了。”数学浩瀚如海,神灵通天,我们还是要敬畏数学之神,不要毫无目标、不计成本的扩大数学的钻研,而是要把握好度。对于绝大多数 AI 工程师来说,还是应该以机器学习为主导,对于其中涉及的数学知识形成理解,打牢基础,突出重点,适度拓宽,这就算过关了。以后根据主攻方向,随用随学,急用先学,这样就可以了。
而线性代数正是这基础中的基础了,线性代数可使矩阵操作快速而简单,特别是通过GPU进行计算。事实上,GPU的设计便是受启发自向量和线性代数。
课程与书籍推荐
很多人会推荐MIT的线性代数公开课(确实不错):https://www.bilibili.com/video/av3652052/?from=search&seid=10569578975730111252
但是很多中国学生听英文课仍然有障碍,即使有字幕翻译,恐怕也会影响学习速度,所以AI菌推荐台湾国立交通大学莊重特聘教授主讲的线性代数课程,本课程分上下两个学期:
http://ocw.nctu.edu.tw/course_detail.php?bgid=1&gid=1&nid=271#.WKm5gxBCtsA http://ocw.nctu.edu.tw/course_detail.php?bgid=1&gid=1&nid=361#.WKm5gxBCtsA
个人认为本课程的特色包括:
1)老师讲得非常非常细致,如果你循序渐进跟着学,绝对可以听得懂;
2)这门课程其实是从泛函的角度来讲解线性代数(同时兼顾了矩阵角度),会帮你建立一种更加高屋建瓴的线性代数观念;
3)课程与实际应用结合非常紧密,像最小二乘法、奇异值分解SVD等在机器学习非常重要的内容都有深入探讨。
同时,本课程所选用的教材也是你自学线性代数的一本上乘之选:
Linear Algebra 4th Edition, Stephen Friedberg, Arnold Insel, Lawrence Spence,Prentice Hall
如果想自学,或者仅仅是温故以往所学的线性代数,那么下面这本从矩阵角度解释线性代数的书可能更适合中国人的阅读习惯,这本书里对于最小二乘法、SVD等内容亦有涉及。
线性代数及其应用 (原书第3版) David C Lay著,刘深泉等译,机械工业出版社:
知识总结
器学习学者张志华教授曾经说过:“搞好机器学习,关键是数学,但你又不能把机器学习变成搞数学,那样就漫无边际了。”数学浩瀚如海,神灵通天,我们还是要敬畏数学之神,不要毫无目标、不计成本的扩大数学的钻研,而是要把握好度。对于绝大多数 AI 工程师来说,还是应该以机器学习为主导,对于其中涉及的数学知识形成理解,打牢基础,突出重点,适度拓宽,这就算过关了。以后根据主攻方向,随用随学,急用先学,这样就可以了。
而线性代数正是这基础中的基础了,线性代数可使矩阵操作快速而简单,特别是通过GPU进行计算。事实上,GPU的设计便是受启发自向量和线性代数。
课程与书籍推荐
很多人会推荐MIT的线性代数公开课(确实不错):https://www.bilibili.com/video/av3652052/?from=search&seid=10569578975730111252
但是很多中国学生听英文课仍然有障碍,即使有字幕翻译,恐怕也会影响学习速度,所以AI菌推荐台湾国立交通大学莊重特聘教授主讲的线性代数课程,本课程分上下两个学期:
http://ocw.nctu.edu.tw/course_detail.php?bgid=1&gid=1&nid=271#.WKm5gxBCtsA http://ocw.nctu.edu.tw/course_detail.php?bgid=1&gid=1&nid=361#.WKm5gxBCtsA
个人认为本课程的特色包括:
1)老师讲得非常非常细致,如果你循序渐进跟着学,绝对可以听得懂;
2)这门课程其实是从泛函的角度来讲解线性代数(同时兼顾了矩阵角度),会帮你建立一种更加高屋建瓴的线性代数观念;
3)课程与实际应用结合非常紧密,像最小二乘法、奇异值分解SVD等在机器学习非常重要的内容都有深入探讨。
同时,本课程所选用的教材也是你自学线性代数的一本上乘之选:
Linear Algebra 4th Edition, Stephen Friedberg, Arnold Insel, Lawrence Spence,Prentice Hall
如果想自学,或者仅仅是温故以往所学的线性代数,那么下面这本从矩阵角度解释线性代数的书可能更适合中国人的阅读习惯,这本书里对于最小二乘法、SVD等内容亦有涉及。
线性代数及其应用 (原书第3版) David C Lay著,刘深泉等译,机械工业出版社:
知识总结
而线性代数正是这基础中的基础了,线性代数可使矩阵操作快速而简单,特别是通过GPU进行计算。事实上,GPU的设计便是受启发自向量和线性代数。
课程与书籍推荐
很多人会推荐MIT的线性代数公开课(确实不错):https://www.bilibili.com/video/av3652052/?from=search&seid=10569578975730111252
但是很多中国学生听英文课仍然有障碍,即使有字幕翻译,恐怕也会影响学习速度,所以AI菌推荐台湾国立交通大学莊重特聘教授主讲的线性代数课程,本课程分上下两个学期:
http://ocw.nctu.edu.tw/course_detail.php?bgid=1&gid=1&nid=271#.WKm5gxBCtsA http://ocw.nctu.edu.tw/course_detail.php?bgid=1&gid=1&nid=361#.WKm5gxBCtsA
个人认为本课程的特色包括:
1)老师讲得非常非常细致,如果你循序渐进跟着学,绝对可以听得懂;
2)这门课程其实是从泛函的角度来讲解线性代数(同时兼顾了矩阵角度),会帮你建立一种更加高屋建瓴的线性代数观念;
3)课程与实际应用结合非常紧密,像最小二乘法、奇异值分解SVD等在机器学习非常重要的内容都有深入探讨。
同时,本课程所选用的教材也是你自学线性代数的一本上乘之选:
Linear Algebra 4th Edition, Stephen Friedberg, Arnold Insel, Lawrence Spence,Prentice Hall
如果想自学,或者仅仅是温故以往所学的线性代数,那么下面这本从矩阵角度解释线性代数的书可能更适合中国人的阅读习惯,这本书里对于最小二乘法、SVD等内容亦有涉及。
线性代数及其应用 (原书第3版) David C Lay著,刘深泉等译,机械工业出版社:
知识总结
器学习学者张志华教授曾经说过:“搞好机器学习,关键是数学,但你又不能把机器学习变成搞数学,那样就漫无边际了。”数学浩瀚如海,神灵通天,我们还是要敬畏数学之神,不要毫无目标、不计成本的扩大数学的钻研,而是要把握好度。对于绝大多数 AI 工程师来说,还是应该以机器学习为主导,对于其中涉及的数学知识形成理解,打牢基础,突出重点,适度拓宽,这就算过关了。以后根据主攻方向,随用随学,急用先学,这样就可以了。
而线性代数正是这基础中的基础了,线性代数可使矩阵操作快速而简单,特别是通过GPU进行计算。事实上,GPU的设计便是受启发自向量和线性代数。
课程与书籍推荐
很多人会推荐MIT的线性代数公开课(确实不错):https://www.bilibili.com/video/av3652052/?from=search&seid=10569578975730111252
但是很多中国学生听英文课仍然有障碍,即使有字幕翻译,恐怕也会影响学习速度,所以AI菌推荐台湾国立交通大学莊重特聘教授主讲的线性代数课程,本课程分上下两个学期:
http://ocw.nctu.edu.tw/course_detail.php?bgid=1&gid=1&nid=271#.WKm5gxBCtsA http://ocw.nctu.edu.tw/course_detail.php?bgid=1&gid=1&nid=361#.WKm5gxBCtsA
个人认为本课程的特色包括:
1)老师讲得非常非常细致,如果你循序渐进跟着学,绝对可以听得懂;
2)这门课程其实是从泛函的角度来讲解线性代数(同时兼顾了矩阵角度),会帮你建立一种更加高屋建瓴的线性代数观念;
3)课程与实际应用结合非常紧密,像最小二乘法、奇异值分解SVD等在机器学习非常重要的内容都有深入探讨。
同时,本课程所选用的教材也是你自学线性代数的一本上乘之选:
Linear Algebra 4th Edition, Stephen Friedberg, Arnold Insel, Lawrence Spence,Prentice Hall
如果想自学,或者仅仅是温故以往所学的线性代数,那么下面这本从矩阵角度解释线性代数的书可能更适合中国人的阅读习惯,这本书里对于最小二乘法、SVD等内容亦有涉及。
线性代数及其应用 (原书第3版) David C Lay著,刘深泉等译,机械工业出版社:
知识总结
相关文章推荐
- 吴恩达机器学习 学习笔记 之 三 线性代数基础
- 机器/深度学习矩阵和线性代数学习笔记
- 机器学习 之 线性代数
- 线性代数学习笔记(十)
- Coursera吴恩达机器学习课程 总结笔记及作业代码——第4周神经网络
- 机器学习实战笔记(Python实现)-08-线性回归
- Coursera吴恩达机器学习课程 总结笔记及作业代码——第6周有关机器学习的小建议
- 机器学习入门:线性回归及梯度下降
- 线性代数学习点(二):向量的几何表示
- 线性代数学习笔记(七)
- 线性代数学习之旅1
- 【吴恩达机器学习】学习笔记——代价函数
- 吴恩达机器学习课程笔记——第二周
- 线性代数学习笔记(九)
- 机器学习笔记2(吴恩达)
- 线性代数学习笔记5
- 麻省理工公开课:线性代数_学习笔记02
- 机器学习入门:线性回归及梯度下降
- 机器学习 吴恩达 week3:Regularization
- 【吴恩达机器学习】学习笔记——1.3机器学习的定义