完整的线性代数：理论和代码实现

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

讲师：Mike X Cohen

---

你会学到什么

• 理解线性代数中的理论概念，包括证明
• 用科学编程语言（MATLAB、Python）实现线性代数概念
• 将线性代数概念应用于真实数据集
• 在线性代数考试中取得高分！
• 自信地在计算机上应用线性代数
• 获得解决线性代数问题的更多见解，包括家庭作业和应用
• 有信心学习高级线性代数主题
• 了解机器学习背后的一些重要数学
• 大多数 AI（人工智能）背后的数学

本课程包括：

• 34小时视频点播
• 2 篇文章
• 3 个可下载资源
• 在手机和电视上访问

要求

• 对高中代数有基本的了解（例如，在 2x=5 中求解 x）
• 有兴趣学习矩阵和向量！
• （可选）装有 MATLAB、Octave 或 Python（或 Jupyter）的计算机

描述

你需要学习线性代数！

线性代数可能是计算科学最重要的数学分支，包括机器学习、人工智能、数据科学、统计学、模拟、计算机图形学、多元分析、矩阵分解、信号处理等。

您需要了解 应用线性代数，而不仅仅是抽象线性代数！

30 年前的教科书中介绍线性代数的方式与专业人士在计算机中使用线性代数解决机器学习、数据科学、统计和信号处理中的实际应用的方式不同。 例如，矩阵的“行列式”对于线性代数理论很重要，但在实际应用中是否真的应该使用行列式呢？答案可能会让您大吃一惊，就在本课程中！

如果您有兴趣学习线性代数和矩阵分析的数学概念，但也想将这些概念应用到计算机上的数据分析（例如统计或信号处理），那么本课程适合您！您将看到在 MATLAB 和 Python 中实现的所有数学概念。

本课程的独特之处

• 对线性代数中的概念和理论进行清晰易懂的解释。
• 对相同想法的几种不同解释，这是一种经过验证的学习技术。
• 使用图形、数字和空间进行可视化，增强线性代数的几何直觉。
• MATLAB 和 Python 中的实现。Com’on，在现实世界中，您永远不会手工解决数学问题！您需要知道如何在软件中实现数学！
• 初级到中级主题，包括向量、矩阵乘法、最小二乘投影、特征分解和奇异值分解。
• 强烈关注线性代数和矩阵分析的面向现代应用的方面。
• 对角化、特征值和特征向量以及奇异值分解的直观视觉解释。
• 提高你的编码技能！你确实需要有一点编码经验来学习这门课程（我不教初级 Python 或 MATLAB），但你一定会在这门课程中提高你的科学和数据分析编程技能。一切都在 MATLAB 和 Python 中进行了解释（主要使用 numpy 和 matplotlib；还有 sympy 和 scipy 以及其他一些相关工具箱）。

学习线性代数的好处

• 了解统计数据，包括最小二乘法、回归和多元分析。
• 改进工程、计算生物学、金融和物理学中的数学模拟。
• 了解数据压缩和降维（PCA、SVD、特征分解）。
• 了解机器学习和线性分类算法的数学基础。
• 深入了解信号处理方法，尤其是滤波和多元子空间方法。
• 探索线性代数、矩阵和几何之间的联系。
• 获得更多在 Python 和 MATLAB 中实施数学和理解机器学习概念的经验。
• 线性代数是机器学习和人工智能 (AI) 的先决条件。

为什么我有资格教授这门课程：

多年来，我一直在研究和教学（使用 MATLAB 和 Python）中广泛使用线性代数。我写了几本关于数据分析、编程和统计的教科书，这些教科书广泛依赖于线性代数中的概念。

你还在等什么？？

观看课程介绍视频和免费示例视频，以了解有关本课程内容和我的教学风格的更多信息。如果您不确定本课程是否适合您并想了解更多信息，请在注册前随时与我联系。

我希望很快能在课程中见到你！

麦克风

本课程适合谁：

• 任何有兴趣学习矩阵和向量的人
• 希望对线性代数课程进行补充指导/练习的学生
• 想复习矩阵和分解知识的工程师
• 想要更多地了解计算生物学背后的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的重要数学知识的人
• 学习理论线性代数并想在计算机中实现概念的人
• 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