原文： https://machinelearningmastery.com/resources-for-linear-algebra-in-machine-learning/
线性代数是数学领域，是机器学习领域的重要支柱。
对于初学者或几十年来没有看过这个主题的从业者来说，这可能是一个具有挑战性的话题。
在这篇文章中，您将了解如何获得机器学习的线性代数帮助。
阅读这篇文章后，你会知道：
- 您可以参考线性代数的维基百科文章和教科书。
- 您可以学习或复习线性代数的大学课程和在线课程。
- 问答网站，您可以在其中发布有关线性代数主题的问题。
让我们开始吧。
学习用于机器学习的线性代数的主要资源 照片来自 mickey ，保留一些权利。
这篇文章分为 6 个部分;他们是：
- 维基百科上的线性代数
- 线性代数教科书
- 线性代数大学课程
- 线性代数在线课程
- 询问有关线性代数的问题
- NumPy 资源
维基百科是一个很好的起点。
涵盖了所有重要主题，描述简洁，方程式一致且可读。缺少的是更多的人类层面描述，如类比和直觉。
然而，当你对线性代数有疑问时，我建议先按维基百科停止。
一些好的高级页面包括：
我强烈建议您获得一本关于线性代数主题的优秀教科书，并将其作为参考。
好的教科书的好处是，您所需的各种操作的解释将是一致的（或应该是）。教科书的缺点是它们可能非常昂贵。
一本好的教科书通常很容易被发现，因为它将成为顶尖大学的一系列本科或研究生课程的基础。
我推荐的一些关于线性代数的入门教材包括：
- 线性代数简介，第五版，Gilbert Strang，2016。
- Linear Algebra Done Right ，第三版，2015 年。
- 没有废话指导线性代数，Ivan Savov，2017 年。
我推荐的一些更高级的教科书包括：
- Matrix Computations ，Gene Golub 和 Charles Van Loan，2012。
- 数值线性代数，Lloyd Trefethen 和 David Bau 1997。
我还推荐一本关于多元统计的好教科书，它是线性代数和数值统计方法的交集。一些好的入门教材包括：
- 应用多变量统计分析，Richard Johnson 和 Dean Wichern，2012 年。
- 应用多变量统计分析，Wolfgang Karl Hardle 和 Leopold Simar，2015 年。
还有许多由学者撰写的免费在线书籍。有关广泛（且令人印象深刻）的阅读列表，请参阅 Wikipedia 上线性代数页面的末尾。
关于线性代数的大学课程是有用的，因为它们布置了本科生应该知道的主题。
作为一个机器学习从业者，它不仅仅是你需要的，而是为你需要知道的元素提供上下文。
许多大学课程现在提供 PDF 版本的演讲幻灯片，笔记和阅读材料。有些人甚至提供预先录制的视频讲座，这些讲座非常宝贵。
我鼓励您通过浸入课程来手术使用大学课程材料，以获得有关特定主题的更深入的知识。我认为通过端到端的特定课程进行操作太耗费时间，并且对于普通的机器学习从业者来说太多了。
美国顶尖学校的一些推荐课程包括：
在线课程与大学课程不同。
它们专为远程教育而设计，通常不如完整的本科课程完整或不那么严格。对于希望快速掌握主题的机器学习从业者而言，这是一个很好的功能。
如果课程很短，可能值得通过端到端进行。一般而言，和大学课程一样，我建议对主题进行外科手术并根据需要进行深入研究。
我推荐的一些在线课程包括：
鉴于当前丰富的问答平台，有很多地方可以在线询问有关线性代数的问题。
以下是我建议发布问题的热门地点列表。请务必在发布之前搜索您的问题，以防以前被询问和回答。
在 Python 中实现线性代数时，您可能需要 NumPy 的帮助。
NumPy API 文档非常好，下面是一些资源，您可以使用它们来了解有关 NumPy 如何工作或如何使用特定 NumPy 函数的更多信息。
如果您正在寻找对 NumPy 和 SciPy 使用的更广泛理解，以下书籍提供了一个很好的起始参考：
- Python for Data Analysis ，2017。
- 优雅的 SciPy ，2017。
- NumPy 指南，2015 年。
在这篇文章中，您发现了如何获得机器学习的线性代数帮助。
具体来说，您了解到：
- 您可以参考线性代数的维基百科文章和教科书。
- 您可以学习或复习线性代数的大学课程和在线课程。
- 问答网站，您可以在其中发布有关线性代数主题的问题。
你有任何问题吗？ 在下面的评论中提出您的问题，我会尽力回答。