Master linear algebra: theory and implementation in code

学习线性代数和矩阵分析的概念，并在 MATLAB 和 Python 中实现它们。

讲师:Mike X Cohen

您将学到什么

• 理解线性代数中的理论概念，包括证明
• 在科学编程语言（如 MATLAB、Python）中实现线性代数概念
• 将线性代数概念应用于真实数据集
• 拿下你的线性代数考试！
• 自信地在计算机上应用线性代数
• 深入了解线性代数问题的解决方法，包括作业和应用案例
• 自信地学习高级线性代数主题
• 了解一些机器学习背后的重要的数学原理
• 支撑大多数人工智能的数学原理

课程要求

• 高中代数的基本理解（例如，解方程 2x=5）
• 学习矩阵和向量的兴趣！
• （可选）配备 MATLAB、Octave 或 Python（或 Jupyter）的计算机

课程描述

你需要学习线性代数！

线性代数或许是计算科学中最重要的一门数学分支，包括机器学习、人工智能、数据科学、统计学、模拟、计算机图形、多元分析、矩阵分解、信号处理等。

你需要掌握应用型的线性代数知识，而不仅仅是抽象的理论！

在30年前的教科书中呈现的线性代数与专业人士如何使用计算机解决实际问题中的机器学习、数据科学、统计学和信号处理等问题是不同的。例如，“行列式”对于线性代数理论很重要，但在实际应用中你真的需要使用它吗？答案可能会让你惊讶，并且这个内容就在本课程里！

如果你对数学概念如线性代数和矩阵分析感兴趣，同时也想将这些概念应用于计算机上的数据分析（比如统计学或信号处理），那么这门课程非常适合你！你会看到所有数学概念在 MATLAB 和 Python 中的实现。

本课程的独特之处
清晰易懂的概念和理论解释。
多个角度对同一思想进行讲解，这是学习的有效方法。
使用图表、数字和空间来增强线性代数的几何直观理解。
MATLAB 和 Python 实现。来吧，在现实世界中，你不会手动解决数学问题！你需要知道如何在软件中实现数学！

涵盖从初级到中级的主题，包括向量、矩阵乘法、最小二乘投影、特征分解和奇异值分解。

重点强调现代应用导向的线性代数和矩阵分析。
直观地解释对角化、特征值与特征向量以及奇异值分解。
提高你的编程技能！你需要有一些基本的编码经验（我不会教基础 Python 或 MATLAB），但你肯定会在这门课程中提升科学和数据分析编程技能。所有内容都会用 MATLAB 和 Python （主要使用 numpy 和 matplotlib；也包括 sympy 和 scipy 以及其他相关工具包）来解释。

学习线性代数的好处
理解统计学，包括最小二乘法、回归分析和多元分析。
改进工程、计算生物学、金融和物理中的数学模拟。
了解数据压缩与降维（PCA、SVD、特征分解）。
深入理解机器学习和线性分类算法背后的数学原理。
探索线性代数、矩阵和几何之间的联系。
在 Python 和 MATLAB 中更多地实现数学知识并理解机器学习概念。
线性代数是机器学习和人工智能的先决条件。

为什么我有资格教授这门课程：
多年来，我在研究和教学中广泛使用了线性代数（在 MATLAB 和 Python 中）。我还编写了几本关于数据分析、编程和统计学的教科书，这些书籍大量依赖于线性代数的概念。
那么你还等什么呢？
观看课程介绍视频和免费试看视频以了解更多课程内容及我的授课风格。如果你不确定这门课程是否适合你，并想了解更多信息，请随时联系我提问。

希望很快在课程中见到你！
Mike

本课程适合谁:

• 任何对矩阵和向量感兴趣的学习者
• 希望为线性代数课程补充教学或练习的学生
• 希望重温矩阵和分解知识的工程师
• 希望了解更多计算生物学背后数学知识的生物学家
• 数据科学家（线性代数在数据科学中无处不在！）
• 统计学家
• 想要了解机器学习背后重要数学知识的人
• 学习了理论线性代数并希望在计算机上实现相关概念的人
• 计算科学家（统计学、生物学、工程学、神经科学、心理学、物理学等）
• 想要学习特征分解、对角化和奇异值分解的人！
• 人工智能学生