本书从机器学习视角，系统梳理线性代数与最优化理论，直击初学者“知识零散、课程脱节”的痛点。全书以“应用导向”贯穿始终，分两大模块构建知识网络： 1.线性代数及其应用：从矩阵运算本质出发，深入剖析奇异值分解（SVD）、核方法、图谱理论等工具，通过人脸识别、推荐系统等案例，展现线性代数在特征提取、降维、异常检测中的核心作用。 2.最优化理论及其应用：以最小二乘回归为支点，辐射梯度下降、牛顿法、约束优化等算法，揭示支持向量机、Logistic回归的数学原理，并延伸至神经网络训练中的计算图优化技术。 作者独创“概念即时应用”模式，每章配以“理解题”与“综合习题”，确保读者在真实问题中内化知识，实现从数学公式到算法代码的无缝衔接。

数学是机器学习绕不开的基础知识，传统教材的风格偏重理论定义和运算技巧，想以此高效地打下机器学习的数学基础，针对性和可读性并不佳。 本书以机器学习涉及的线性代数核心知识为重点，进行新的尝试和突破：从坐标与变换、空间与映射、近似与拟合、相似与特征、降维与压缩这5个维度，环环相扣地展开线性代数与机器学习算法紧密结合的核心内容，并分析推荐系统和图像压缩两个实践案例。 本书在介绍完核心概念后，还将线性代数的应用领域向函数空间和复数域中进行拓展与延伸；同时极力避免数学的晦涩枯燥，充分挖掘线性代数的几何内涵，并以Python语言为工具进行数学思想和解决方案的有效实践。 本书适合实践于数据分析、信号处理等工程领域的读者，也适合在人工智能、机器学习领域进行理论学习和实践，希望筑牢数学基础的读者，以及正在进行线性代数课程学习的读者阅读。

本书是机器学习实战领域的一本佳作，从机器学习的基本概念讲起，旨在将初学者引入机器学习的大门，并走上实践的道路。本书通过讲解机器学习中的监督学习和无监督学习，并结合特征选择和排序、聚类方法、文本和网页挖掘等热点问题，论证了“优化是力量之源”这一观点，为机器学习在企业中的应用提供了切实可行的操作建议。

本书是机器学习实战领域的一本佳作，从机器学习的基本概念讲起，旨在将初学者引入机器学习的大门，并走上实践的道路。本书通过讲解机器学习中的监督学习和无监督学习，并结合特征选择和排序、聚类方法、文本和网页挖掘等热点问题，论证了“优化是力量之源”这一观点，为机器学习在企业中的应用提供了切实可行的操作建议。

本书是深度学习的导论，全面介绍机器学习的数学基础，阐述架构神经网络的核心思想，主要内容包括线性代数的重点、大规模矩阵的计算、低秩与压缩传感、特殊矩阵、概率与统计、最优化、数据学习等。 本书可作为数据科学方向的数学基础课程教材，也可供人工智能、深度学习领域的科研人员和工程技术人员参考。

线性代数引论：英文版，ISBN：9787111106289，作者：（美）李·W.约翰逊（Lee W.Johnson）等著

《线性代数/大学数学系列丛书》是作者按照新形势下教材改革的精神，并结合线性代数课程教学的基本要求，根据多年从事线性代数的教学实践经验和教学改革成果编写而成的。$$《线性代数/大学数学系列丛书》内容包括行列式、矩阵、线性方程组、特征值和特征向量、二次型。章后习题很多来自历年全国研究生入学试题，并在书末附有习题参考答案。$$《线性代数/大学数学系列丛书》可作为普通高等院校理工、经济管理类各专业的教材，也可供报考硕士研究生的读者参考。

本书主要是为独立学院、民办高校的本科非数学专业学生编写的。全书共8章，内容包括行列式、矩阵、向量空间、线性方程组、方阵的特征值与特征向量、实二次型、线性空间与线性变换、线性代数在数学建模中的应用。书后附有部分习题的参考答案。

本书是 Kenneth Hoffman 的《线性代数》第2版，在第1版的基础上作了一些增加和改进，尤其是在典范式和内积空间的讲述上做了较大的改变。作者从线性代数的最基本知识开始，讲述了典范型、内积空间、双线性型、复内积空间以及谱理论。书中许多定理的证明非常完整，受到广大数学学者的赞赏，并且非常适合初学者学习理解。对偶空间和张量同时进行讲解，这也是本书的一大特色。

线性代数（第2版），ISBN：9787506292191，作者：（美）阿克斯勒