MIT 教授 Gilbert Strang 最新書籍《線性代數(shù)與數(shù)據(jù)學習》(Linear Algebra and Learning from Data)將在 1 月中旬發(fā)行。這一本書為機器學習提供了很多數(shù)學基礎，它同時也提供了深度學習一些基本概念�？梢哉f借助這本書，我們能從數(shù)學的角度來理解流行的模型。

書籍主頁：http://math.mit.edu/~gs/learningfromdata/

這本書的目的是解釋數(shù)據(jù)科學和機器學習所依賴的數(shù)學：線性代數(shù)、最優(yōu)化、概率論和統(tǒng)計學。因為在機器學習中，學習函數(shù)中的權重會以矩陣形式表示，這些權重通過隨機梯度下降優(yōu)化，而「隨機」一詞提示訓練收斂是概率性的。此外，概率論中的大數(shù)定律被擴展到了大函數(shù)定律：如果架構設計良好并且參數(shù)計算良好，則有很高的概率能成功收斂。

請注意這不是一本關于計算或編碼或軟件的書。已經有很多書籍對這些方面做了很好的介紹，比如《Hands-On Machine Learning》;還有很多 TensorFlow、Keras、MathWorks 和 Caffe 等的在線資源，也能提供很多幫助。

線性代數(shù)有眾多美妙的矩陣變體：對稱矩陣、正交矩陣、三角矩陣、Banded 矩陣、轉置矩陣和正定矩陣等等。在 Gilbert 的教學經驗中，他認為正定對稱矩陣 S 是非常美妙的東西。它們有正的特征值λ和正交的特征向量 q，它們的線性組合可以將秩為 1 的簡單映射 qq^T 與對應特征值重構為正定矩陣 S，即：

 

 

如果 λ_1>=λ_2>=...，那么上式特征值λ_1 以及對應的特征向量組成的第一個分量就是 S 最具信息的部分。對于一個簡單的協(xié)方差矩陣，這一部分就對應著對大的方差，這也是降維算法 PCA 最核心的思想。

此外，在書籍主頁中，作者還提供了試讀的樣章，包括深度學習、書籍前言、目錄、矩陣初等變換、矩陣乘法和其它一些從矩陣看卷積網絡等新知識。作者表明書籍主頁會持續(xù)更新，包括印刷計劃和全本開放閱讀等。

William Gilbert Strang

 

 

William Gilbert Strang，美國數(shù)學家，在有限元理論、變分法、小波分析和線性代數(shù)等方面皆有研究貢獻。他對數(shù)學教育做出了許多貢獻，包括出版七本數(shù)學教科書和專著。斯特朗現(xiàn)任麻省理工學院數(shù)學系 MathWorks 講座教授。主要講授課程為線性代數(shù)入門(Introduction to Linear Algebra，18.06)和計算科學與工程(Computational Science and Engineering，18.085)，這些課程都可在麻省理工學院開放式課程中免費學習。

以下是這本書的目錄：

 

 

 

 

 

標簽： 網絡

版權申明：本站文章部分自網絡，如有侵權，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權歸原作者所有，如需使用，請與原作者聯(lián)系。