摘要： 本文是一份关于机器学习中线性代数学习指南，所给出的资源涵盖维基百科网页、教材、视频等，机器学习从业者可以从中选择合适的资源进行学习。
对于机器学习而言，要学习的特征大多数是以矩阵的形式表示。线性代数是一门关于矩阵的数学，也是机器学习领域中的一个重要支柱。
对初学者来说，线性代数可能是一个富有挑战性的难点。那么通过这篇文章，你会收获如何学习与机器学习相关的线性代数内容的相关建议与帮助。
读完这篇文章，你就会了解：
可以参考维基百科上的文章和线性代数教材
可以学习或复习线性代数的大学课程和在线课程
一些关于线性代数主题讨论的问答网站
维基百科上的线性代数解释
维基百科是一个伟大的网站，所有的重要主题的描述大多都是简洁、正确的。但存在的不足就是缺少更多人性化的描述，如类比等。
然而，当你对线性代数有一些疑问时，我建议你首先不要从维基百科上面寻找答案。维基百科上面一些关于线性代数好的网页有以下几个：
- 线性代数
- 矩阵
- 矩阵分解
- 线性代数相关的主题列表
线性代数教材
强烈建议手头上有一本好的线性代数教材，并将其作为参考教材。一本好教材的好处就是书上内容的解释都应该是相一致，而缺点可以是非常昂贵的。那么如何去寻找一本好的教材呢？答案很简单，就是一些顶尖大学的本科或研究生课程所需的线性代数教材。
我建议的一些基础性的教材包括一下几本（仅供参考）：
- Gilbert Strang，2016·第五版·线性代数概述
- Sheldon Alex，2015·第三版·线性代数应该这样学
- Ivan Savov，2017·没有废话的线性代数指南
此外，建议的一些更高层次的教材如下：
- Gene Golub 和 Charles Van Loan，2012·矩阵计算
- Lloyd Trefethen 和 David Bau，1997·数值线性代数
另外推荐一些关于多元统计的好教材，这是线性代数和数值统计方法的集合。
- Richard Johnson 和 Dean Wichern，2012·应用多元统计分析
- Wolfgang Karl Hardle 和 Leopold Simar，2015·应用多元统计分析
也有一些在线的书籍，这些书籍可以在维基百科线性代数词条的最后一部分内容中可以看到。
线性代数大学课程
大学的线性代数课程是有用的，这使得本科生学习到他们应该掌握的线性代数内容。而作为一名机器学习实践者，大学的线性代数课程内容可能超过你所需掌握的内容，但这也能为你学习机器学习相关线性代数内容打下坚实的基础。
现在许多大学课程提供幻灯片的讲义、笔记等PDF电子版内容。有些大学甚至提供了预先录制的讲座视频，这无疑是珍贵的。
我鼓励你通过使用大学课程教材，深入学习相关课程来加深对机器学习中特定主题的理解。而不需要完全从头学到尾，这对于机器学习从业者来说太费时间了。
美国顶尖学校推荐的课程如下：
- Gilbert Strang·麻省理工学院·线性代数
- Philip Klein·布朗大学·计算科学中的矩阵
- Rachel Thomas·旧金山大学·针对编程者的线性代数计算
线性代数在线课程
与线性代数大学课程不同，在线课程作为远程教育而言显得不是那么完整，但这对于机器学习从业者而言学起来相当的快。推荐的一些在线课程如下：
- 可汗学院·线性代数
- edX·线性代数：前沿基础
问答平台
目前网络上存在大量的问答平台，读者们可以在上面进行相关话题的讨论。以下是我推荐的一些问答平台，在这里要注意，一定要记得定期访问之前发布的问题及坛友的解答。
- 数学栈交换中的线性代数标记
- 交叉验证的线性代数标记
- 堆栈溢出的线性代数标记
- Quora上的线性代数主题
- Reddit上的数学主题
Numpy资源
如果你是用Python实现相关的机器学习项目，那么Numpy对你而言是非常有帮助的。
Numpy API文档写得很好，以下是一些参考资料，读者可以阅读它们来了解更多关于Numpy的工作原理及某些特定的功能。
- Numpy参考
- Numpy数组创建例程
- Numpy数组操作例程
- Numpy线性代数
- Scipy线性代数
如果你同时也在寻找关于Numpy和Scipy更多的资源，下面有几个好的参考教材：
- 2017·用Python进行数据分析
- 2017·Elegant Scipy
- 2015·Numpy指南
作者信息
Jason Brownlee，机器学习专家，专注于机器学习教育
文章原标题《Top Resources for Learning Linear Algebra for Machine Learning》，作者：Jason Brownlee，
译者：海棠，审阅：袁虎。
原文链接
阅读更多干货好文，请关注扫描以下二维码：
