🌸开拓你的思维边界，解锁线性代数与机器学习的秘密之门💕
在机器学习日益盛行的今天，线性代数作为其重要基础之一，扮演着至关重要的角色。那么，如何深入理解并掌握线性代数的奥秘？让我们一起走进《矩阵力量》的世界，探索线性代数与机器学习的交织之美。
👌一、姜伟生与他的《矩阵力量》
姜伟生，一位深谙数学之道的杰出学者，凭借其丰富的实践经验和深厚的数学造诣，将线性代数与机器学习完美结合，为我们揭示了矩阵的潜在力量。他的著作《矩阵力量》不仅是一本全面介绍线性代数与机器学习的书籍，更是一个引人入胜的故事。
💡二、矩阵力量：从线性代数到机器学习的桥梁
《矩阵力量》涵盖了线性代数和机器学习的众多知识点，从向量范式、向量运算、矩阵、矩阵乘法、分块矩阵，到向量空间、几何变换、正交投影、数据投影、矩阵分解，再到cholesky分解、evd特征值分解、svd奇异值分解等。姜伟生以清晰而富有启发性的讲解，为我们揭示了矩阵在机器学习中的广泛应用。
💪三、理论与实践的完美结合
《矩阵力量》不仅在理论上有深入的探讨，还通过具体的案例和应用，将理论与实践完美结合。书中的开源政策为广大的开发者提供了一个宝贵的学习和实践机会。在GitHub上，我们可以找到这本书的完整开源代码，这些代码不仅可以帮助我们更好地理解书中的理论，还可以作为实际项目的基础。
📖四、深度与广度：一本不容错过的书籍
《矩阵力量》以其深度和广度，为读者提供了一个全面的线性代数和机器学习交织的视角。无论是对于数学爱好者，还是对于机器学习研究者，这本书都是一份不可多得的宝贵资源。我强烈推荐所有对机器学习和数学感兴趣的人阅读这本书，相信你们会在阅读中找到无尽的启示和收获。
🎁姜伟生的《矩阵力量》让我们重新认识了矩阵的潜在力量，以及它在机器学习中的重要作用。这本书不仅为我们提供了丰富的知识，还激发了我们的创新思维。让我们一起走进《矩阵力量》的世界，探索线性代数与机器学习的奥秘吧！
书籍信息
书名：矩阵力量
作者：姜伟生
评分：9.7
出版日期：2023-06-01
出版社：清华大学出版社
ISBN：9787302632511
页数：
定价：258
内容简介
这是一套前所未见的数学书，更是一套具备极高颜值的书。姜伟生博士是国际著名金融企业的金融科技专家。很难想象一位以“术数”为业的金融家具备如此彻底的分享动机，同时，姜博士有着卓越的艺术品位和设计能力，不仅承担了这套书的精深内容，更承担了全系图书的整体设计。希望读者从枯燥的常规数学书中解脱出来，赏心悦目地慢慢走入缤纷的数学宇宙。
数据科学和机器学习已经深度融合到我们生活的方方面面，而数学正是开启未来大门的钥匙。不是所 有人生来都握有一副好牌，但是掌握“数学 + 编程 + 机器学习”绝对是王牌。这一次，学习数学不再是为了考试、分数、升学，而是投资时间、自我实现、面向未来。为了让大家学数学、用数学，甚至爱上数学， 在创作这套书时，作者尽量克服传统数学教材的各种弊端，让大家学习时有兴趣、看得懂、有思考、更自信、用得着。
鸢尾花书有三大板块——编程、数学、实践。数据科学、机器学习的各种算法离不开数学，本册《矩阵力量》是“数学”板块的第 2 本，主要介绍常用线性代数工具。任何数学工具想要从一元推广到多元，比如多元微积分、多元统计，都绕不开线性代数。
《矩阵力量：线性代数全彩图解 + 微课 + Python编程》共 25 章内容，可以归纳为 7 大板块：向量、矩阵、向量空间、矩阵分解、微积分、空间几何、数据。《矩阵力量：线性代数全彩图解 + 微课 + Python编程》在讲解线性代数工具时，会穿插介绍其在数据科学和机器学习领域的应用场景，让大家学以致用。《矩阵力量：线性代数全彩图解 + 微课 + Python编程》读者群包括所有在工作中应用数学的朋友，尤其适用于初级程序员进阶，大学本科数学开窍，高级数据分析师，人工智能开发者。
书籍目录
绪论 1
第1章 不止向量 7
1.1 有数据的地方，必有矩阵 8
1.2 有矩阵的地方，更有向量 10
1.3 有向量的地方，就有几何 12
1.4 有几何的地方，皆有空间 17
1.5 有数据的地方，定有统计 20
第2章 向量运算 23
2.1 向量：多面手 25
2.2 行向量、列向量 27
2.3 向量长度：模，欧氏距离，L2范数 31
2.4 加减法：对应位置元素分别相加减 35
2.5 标量乘法：向量缩放 36
2.6 向量内积：结果为标量 37
2.7 向量夹角：反余弦 43
2.8 余弦相似度和余弦距离 45
2.9 向量积：结果为向量 47
2.10 逐项积：对应元素分别相乘 50
2.11 张量积：张起网格面 51
第3章 向量范数 57
3.1 Lp范数：L2范数的推广 58
3.2 Lp范数和超椭圆的联系 61
3.3 L1范数：旋转正方形 64
3.4 L2范数：正圆 66
3.5 L∞范数：正方形 69
3.6 再谈距离度量 71
第4章 矩阵 77
4.1 矩阵：一个不平凡的表格 79
4.2 矩阵形状：每种形状都有特殊用途 81
4.3 基本运算：加减和标量乘法 85
4.4 广播原则 86
4.5 矩阵乘法：线性代数的运算核心 88
4.6 两个视角解剖矩阵乘法 90
4.7 转置：绕主对角线镜像 92
4.8 矩阵逆：“相当于”除法运算 94
4.9 迹：主对角元素之和 95
4.10 逐项积：对应元素相乘 97
4.11 行列式：将矩阵映射到标量值 98
第5章 矩阵乘法 105
5.1 矩阵乘法：形态丰富多样 107
5.2 向量和向量 107
5.3 再聊全1列向量 112
5.4 矩阵乘向量：线性方程组 116
5.5 向量乘矩阵乘向量：二次型 120
5.6 方阵乘方阵：矩阵分解 123
5.7 对角阵：批量缩放 124
5.8 置换矩阵：调换元素顺序 127
5.9 矩阵乘向量：映射到一维 128
5.10 矩阵乘矩阵：映射到多维 130
5.11 长方阵：奇异值分解、格拉姆矩阵、张量积 133
5.12 爱因斯坦求和约定 136
5.13 矩阵乘法的几个雷区 138
第6章 分块矩阵 143
6.1 分块矩阵：横平竖直切豆腐 145
6.2 矩阵乘法第一视角：标量积展开 149
6.3 矩阵乘法第二视角：外积展开 150
6.4 矩阵乘法更多视角：分块多样化 154
6.5 分块矩阵的逆 160
6.6 克罗内克积：矩阵张量积 160
第7章 向量空间 165
7.1 向量空间：从直角坐标系说起 166
7.2 给向量空间涂颜色：RGB色卡 178
7.3 张成空间：线性组合红、绿、蓝三原色 179
7.4 线性无关：红色和绿色，调不出青色 183
7.5 非正交基底：青色、品红、黄色 184
7.6 基底转换：从红、绿、蓝，到青色、品红、黄色 187
第8章 几何变换 189
8.1 线性变换：线性空间到自身的线性映射 191
8.2 平移：仿射变换，原点变动 195
8.3 缩放：对角阵 196
8.4 旋转：行列式值为1 200
8.5 镜像：行列式值为负 205
8.6 投影：降维操作 207
8.7 再谈行列式值：几何视角 208
第9章 正交投影 215
9.1 标量投影：结果为标量 217
9.2 向量投影：结果为向量 218
9.3 正交矩阵：一个规范正交基 222
9.4 规范正交基性质 226
9.5 再谈镜像：从投影视角 229
9.6 格拉姆-施密特正交化 231
9.7 投影视角看回归 233
第10章 数据投影 241
10.1 从一个矩阵乘法运算说起 242
10.2 二次投影 + 层层叠加 245
10.3 二特征数据投影：标准正交基 249
10.4 二特征数据投影：规范正交基 254
10.5 四特征数据投影：标准正交基 259
10.6 四特征数据投影：规范正交基 263
10.7 数据正交化 269
第11章 矩阵分解 277
11.1 矩阵分解：类似因式分解 278
11.2 LU分解：上下三角 279
11.3 Cholesky分解：适用于正定矩阵 280
11.4 QR分解：正交化 282
11.5 特征值分解：刻画矩阵映射的特征 286
11.6 奇异值分解：适用于任何实数矩阵 290
第12章 Cholesky分解 295
12.1 Cholesky分解 296
12.2 正定矩阵才可以进行Cholesky分解 297
12.3 几何角度：开合 299
12.4 几何变换：缩放 → 开合 302
12.5 推广到三维空间 305
12.6 从格拉姆矩阵到相似度矩阵 309
第13章 特征值分解 313
13.1 几何角度看特征值分解 315
13.2 旋转 → 缩放 → 旋转 317
13.3 再谈行列式值和线性变换 320
13.4 对角化、谱分解 323
13.5 聊聊特征值 328
13.6 特征值分解中的复数现象 330
第14章 深入特征值分解 333
14.1 方阵开方 334
14.2 矩阵指数：幂级数的推广 335
14.3 斐波那契数列：求通项式 337
14.4 马尔科夫过程的平稳状态 339
14.5 瑞 利商 342
14.6 再谈椭圆：特征值分解 346
第15章 奇异值分解 353
15.1 几何视角：旋转 → 缩放 → 旋转 355
15.2 不同类型SVD分解 359
15.3 左奇异向量矩阵U 360
15.4 右奇异向量矩阵V 363
15.5 两个视角：投影和数据叠加 365
第16章 深入奇异值分解 369
16.1 完全型：U为方阵 371
16.2 经济型：S去掉零矩阵，变方阵 372
16.3 紧凑型：非满秩 373
16.4 截断型：近似 374
16.5 数据还原：层层叠加 375
16.6 估计与误差：截断型SVD 379
16.7 正交投影：数据正交化 382
第17章 多元函数微分 387
17.1 偏导：特定方向的变化率 388
17.2 梯度向量：上山方向 392
17.3 法向量：垂直于切平面 396
17.4 方向性微分：函数任意方向的变化率 398
17.5 泰勒展开：一元到多元 402
第18章 拉格朗日乘子法 407
18.1 回顾优化问题 408
18.2 等式约束条件 410
18.3 线性等式约束 414
18.4 非线性等式约束 415
18.5 不等式约束 417
18.6 再谈特征值分解：优化视角 420
18.7 再谈SVD：优化视角 423
18.8 矩阵范数：矩阵 → 标量，矩阵“大小” 426
18.9 再谈数据正交投影：优化视角 428
第19章 直线到超平面 437
19.1 切向量：可以用来定义直线 438
19.2 法向量：定义直线、平面、超平面 441
19.3 超平面：一维直线和二维平面的推广 443
19.4 平面与梯度向量 446
19.5 中垂线：用向量求解析式 451
19.6 用向量计算距离 453
第20章 再谈圆锥曲线 457
20.1 无处不在的圆锥曲线 459
20.2 正圆：从单位圆到任意正圆 460
20.3 单位圆到旋转椭圆：缩放 → 旋转 → 平移 463
20.4 多元高斯分布：矩阵分解、几何变换、距离 468
20.5 从单位双曲线到旋转双曲线 474
20.6 切线：构造函数，求梯度向量 476
20.7 法线：法向量垂直于切向量 479
第21章 曲面和正定性 481
21.1 正 定性 483
21.2 几何视角看正定性 485
21.3 开口朝上抛物面：正定 486
第22章 数据与统计 501
22.1 统计 + 线性代数：以鸢尾花数据为例 502
22.2 均值：线性代数视角 503
22.3 质心：均值排列成向量 505
22.4 中心化：平移 508
22.5 分类数据：加标签 510
22.6 方差：均值向量没有解释的部分 512
22.7 协方差和相关性系数 514
22.8 协方差矩阵和相关性系数矩阵 517
第23章 数据空间 523
23.1 从数据矩阵X说起 524
23.2 向量空间：从SVD分解角度理解 527
23.3 紧凑型SVD分解：剔除零空间 529
23.4 几何视角说空间 532
23.5 格拉姆矩阵：向量模、夹角余弦值的集合体 537
23.6 标准差向量：以数据质心为起点 540
23.7 白话说空间：以鸢尾花数据为例 543
第24章 数据分解 549
24.1 为什么要分解矩阵？ 550
24.2 QR分解：获得正交系 555
24.3 Cholesky分解：找到列向量的坐标 557
24.4 特征值分解：获得行空间和零空间 559
24.5 SVD分解：获得四个空间 562
第25章 数据应用 567
25.1 从线性代数到机器学习 568
25.2 从随机变量的线性变换说起 572
25.3 单方向映射 574
25.4 线性回归 578
25.5 多方向映射 582
25.6 主成分分析 58
