相關商品
商品簡介
作者簡介
序
目次
商品簡介
有資料就有矩陣，有矩陣就有向量，有向量就有幾何，有幾何就有空間
從資料一路提升到張量的所有數學基礎
將數學視為思想、工具、語言、體系、基石、藝術的角度進行學習
分為向量、矩陣、向量空間、矩陣分解、微積分、空間幾何、資料
所有機器學習、深度學習最重要的基礎數學概念
不再亂猜，寫機器學習程式碼時，每行指令背後代表的數學基礎
學矩陣就是學AI，從此看到AI程式碼完全無負擔
AI熱潮來臨，每個人都很怕直接被機器取代，不管文科理科背景的人，每個人都想搭上AI快車飛速到達未來。然而你的第一關就是數學。數學是宇宙的共同語言，也是人類意志極緻的展現。數學從數字開始進入高維之後，向量、矩陣、張量將整個人類文明帶入新的境界，也將我們的世界從點線面體推向無法視覺化的高維空間，而針對空間的運算，更是所有科學的重要基礎。空間幾何這門完全和生活知識抽離的學科，看似是和向量打交道而已，但卻是整個世界運行的基礎，近年AI興起，機器學習及深度學習成為熱門行業，當你想要學習TensorFlow時，面對的第一個觀念就是張量(Tensor)。這些名詞讓你感到陌生又不是完全不認識時，就是重拾矩陣的時候了。本書利用最小的成本，幫你把這個又陌生又熟悉的老朋友重新交往。作者從最簡單的加法開始說明，一直到機器學習中的梯度、偏導數、積分、矩陣、線性代數，從小學到研究所所學的數學，一一在適當的章節出現，當你讀到某個章節時，會發現「啊！原來如此，這就是奇異值分解在機器學習的原理啊！」，有一種豁然開朗的感覺，相信這種驚喜在全書中會不斷出現。ChatGPT出來之後，AI已經光速啟動，有志加入這個行業，也只能快速跟上，而這本書，正是你進入的最佳助手，與其繼續逃避直到被淘汰，不如就花一點時間，把這本本來就不難的書看完，補上你個人AI志業的最重要一塊拼圖。
全書分為以下幾個部分：向量：從資料、矩陣、向量、幾何、空間開始談起，包括向量運算，範數等基本定理。接下來談到矩陣，把矩陣所有的性質(四則運算、表格、秩等)說明清楚，更有重要的內外積等。第三部分談的是向量，包括座標系、各種變換、維度、行列視，投影、正交、基等性質。第四部分談的是矩陣分解，實作了包括LU、Cholesky、QR，特徵/奇異值分解。第五部分就是談到空間的微積分，如多元函式、偏導、梯度、方向微分、泰勒展開等。也說明了拉格朗日乘子等。第六部分說明了空間幾何，包括直線、超平面、圓錐曲線等。也說明了曲面和正定性等問題。最後一部分則整理了前面所有觀念，發展至資料統計、SVD分解、機器學習、線性迴歸及PCA原理。搭配本書系其它書籍，相信AI的數學，對你來說只會是開心而不是阻礙。
從資料一路提升到張量的所有數學基礎
將數學視為思想、工具、語言、體系、基石、藝術的角度進行學習
分為向量、矩陣、向量空間、矩陣分解、微積分、空間幾何、資料
所有機器學習、深度學習最重要的基礎數學概念
不再亂猜，寫機器學習程式碼時，每行指令背後代表的數學基礎
學矩陣就是學AI，從此看到AI程式碼完全無負擔
AI熱潮來臨，每個人都很怕直接被機器取代，不管文科理科背景的人，每個人都想搭上AI快車飛速到達未來。然而你的第一關就是數學。數學是宇宙的共同語言，也是人類意志極緻的展現。數學從數字開始進入高維之後，向量、矩陣、張量將整個人類文明帶入新的境界，也將我們的世界從點線面體推向無法視覺化的高維空間，而針對空間的運算，更是所有科學的重要基礎。空間幾何這門完全和生活知識抽離的學科，看似是和向量打交道而已，但卻是整個世界運行的基礎，近年AI興起，機器學習及深度學習成為熱門行業，當你想要學習TensorFlow時，面對的第一個觀念就是張量(Tensor)。這些名詞讓你感到陌生又不是完全不認識時，就是重拾矩陣的時候了。本書利用最小的成本，幫你把這個又陌生又熟悉的老朋友重新交往。作者從最簡單的加法開始說明，一直到機器學習中的梯度、偏導數、積分、矩陣、線性代數，從小學到研究所所學的數學，一一在適當的章節出現，當你讀到某個章節時，會發現「啊！原來如此，這就是奇異值分解在機器學習的原理啊！」，有一種豁然開朗的感覺，相信這種驚喜在全書中會不斷出現。ChatGPT出來之後，AI已經光速啟動，有志加入這個行業，也只能快速跟上，而這本書，正是你進入的最佳助手，與其繼續逃避直到被淘汰，不如就花一點時間，把這本本來就不難的書看完，補上你個人AI志業的最重要一塊拼圖。
全書分為以下幾個部分：向量：從資料、矩陣、向量、幾何、空間開始談起，包括向量運算，範數等基本定理。接下來談到矩陣，把矩陣所有的性質(四則運算、表格、秩等)說明清楚，更有重要的內外積等。第三部分談的是向量，包括座標系、各種變換、維度、行列視，投影、正交、基等性質。第四部分談的是矩陣分解，實作了包括LU、Cholesky、QR，特徵/奇異值分解。第五部分就是談到空間的微積分，如多元函式、偏導、梯度、方向微分、泰勒展開等。也說明了拉格朗日乘子等。第六部分說明了空間幾何，包括直線、超平面、圓錐曲線等。也說明了曲面和正定性等問題。最後一部分則整理了前面所有觀念，發展至資料統計、SVD分解、機器學習、線性迴歸及PCA原理。搭配本書系其它書籍，相信AI的數學，對你來說只會是開心而不是阻礙。
作者簡介
姜偉生，博士FRM。勤奮的小鎮做題家，熱愛知識可視化和開源分享。自2022年8月開始，在GitHub上開源「鳶尾花書」學習資源，截至2023年9月，已經分享4000多頁PDF、4000多幅矢量圖、約2000個代碼文件，全球讀者數以萬計。
序
Preface
前言
感謝
首先感謝大家的信任。
作者僅是在學習應用資料科學和機器學習演算法時，多讀了幾本數學書，多做了一些思考和知識 整理而已。知者不言，言者不知。知者不博，博者不知。由於作者水準有限，斗膽把自己所學所思與大家分享，作者權當無知者無畏。希望大家在Github多提意見，讓這套書成為作者和讀者共同參與創作的作品。
特別感謝清華大學出版社的欒大成老師。從選題策劃、內容創作到裝幀設計，欒老師事無巨細、一路陪伴。每次與欒老師交流，都能感受到他對優質作品的追求、對知識分享的熱情。
出來混總是要還的
曾經，考試是我們學習數學的唯一動力。考試是頭懸樑的繩，是錐刺股的錐。我們中的大多數人 從小到大為各種考試埋頭題海，數學味同嚼蠟，甚至讓人恨之入骨。
數學所帶來了無盡的「折磨」。 我們甚至恐懼數學，憎恨數學，恨不得一走出校門就把數學拋之腦後，老死不相往來。
可悲可笑的是，我們很多人可能會在畢業的五年或十年以後，因為工作需要，不得不重新學習微積分、線性代數、機率統計，悔恨當初沒有學好數學，甚至遷怒於教材和老師。
這一切不能都怪數學，值得反思的是我們學習數學的方法和目的。
再給自己一個學數學的理由
為考試而學數學，是被逼無奈的舉動。而為數學而數學，則又太過高尚而遙不可及。
相信對絕大部分的我們來說，數學是工具、是謀生手段，而非目的。我們主動學數學，是想用數學工具解決具體問題。
現在，這套書給大家一個「學數學、用數學」的全新動力—資料科學、機器學習。
資料科學和機器學習已經深度融合到我們生活的各方面，而數學正是開啟未來大門的鑰匙。不是所有人生來都握有一副好牌，但是掌握「數學 + 程式設計 + 機器學習」的知識絕對是王牌。這次，學習數學不再是為了考試、分數、升學，而是投資時間、自我實現、面向未來。未來已來，你來不來？
本套書系如何幫到你
為了讓大家學數學、用數學，甚至愛上數學，作者可謂頗費心機。在創作這套書時，作者儘量克服傳統數學教材的各種弊端，讓大家學習時有興趣、看得懂、有思考、更自信、用得著。
為此，叢書在內容創作上突出以下幾個特點。
數學 + 藝術
全圖解，極致視覺化，讓數學思想躍然紙上、生動有趣、一看就懂，同時提高大家的資料思維、幾何想像力、藝術感。
零基礎
從零開始學習Python程式設計，從寫第一行程式到架設資料科學和機器學習應用，儘量將陡峭學習曲線拉平。
知識網路
打破數學板塊之間的門檻，讓大家看到數學代數、幾何、線性代數、微積分、 機率統計等板塊之間的聯繫，編織一張綿密的數學知識網路。
動手
授人以魚不如授人以漁，和大家一起寫程式、創作數學動畫、互動App。
學習生態
構造自主探究式學習生態環境「紙質圖書 + 程式檔案 + 視覺化工具 + 思維導圖」 ，提供各種優質學習資源。
理論 + 實踐
從加減乘除到機器學習，叢書內容安排由淺入深、螺旋上升，兼顧理論和實 踐；在程式設計中學習數學，學習數學時解決實際問題。
雖然本書標榜「從加減乘除到機器學習」， 但是建議讀者朋友們至少具備高中數學知識。如果讀者正在學習或曾經學過大學數學 (微積分、線性代數、機率統計) ，這套書就更容易讀懂了。
聊聊數學
數學是工具。錘子是工具，剪刀是工具，數學也是工具。
數學是思想。數學是人類思想高度抽象的結晶體。在其冷酷的外表之下，數學的核心實際上就是人類樸素的思想。學習數學時，知其然，更要知其所以然。不要死記硬背公式定理，理解背後的數學思想才是關鍵。如果你能畫一幅圖、用簡單的語言描述清楚一個公式、一則定理，這就說明你真正理解了它。
數學是語言。就好比世界各地不同種族有自己的語言，數學則是人類共同的語言和邏輯。數學這門語言極其精準、高度抽象，放之四海而皆準。雖然我們中大多數人沒有被數學「女神」選中，不能 為人類對數學認知開疆擴土；但是，這絲毫不妨礙我們使用數學這門語言。就好比，我們不會成為語言學家，我們完全可以使用母語和外語交流。
數學是系統。代數、幾何、線性代數、微積分、機率統計、最佳化方法等，看似一個個孤島，實際上都是數學網路的一條條織線。建議大家學習時，特別關注不同數學板塊之間的聯繫，見樹，更要見林。
數學是基石。拿破崙曾說「數學的日臻完善和國強民富息息相關。」數學是科學進步的根基，是經濟繁榮的支柱，是保家衛國的武器，是探索星辰大海的航船。
數學是藝術。數學和音樂、繪畫、建築一樣，都是人類藝術體驗。透過視覺化工具，我們會在看似枯燥的公式、定理、資料背後，發現數學之美。
數學是歷史，是人類共同記憶體。「歷史是過去，又屬於現在，同時在指引未來。」數學是人類的集體學習思考，它把人的思維符號化、形式化，進而記錄、累積、傳播、創新、發展。從甲骨、泥板、石板、竹簡、木牘、紙草、羊皮卷冊、活字印刷、紙質書，到數字媒介，這一過程持續了數千年，至今綿延不息。
數學是無窮無盡的想像力，是人類的好奇心，是自我挑戰的毅力，是一個接著一個的問題，是看似荒誕不經的猜想，是一次次膽大包天的批判性思考，是敢於站在前人臂膀之上的勇氣，是孜孜不倦 地延展人類認知邊界的不懈努力。
家園、詩、遠方
諾瓦利斯曾說：「哲學就是懷著一種鄉愁的衝動到處去尋找家園。」
在紛繁複雜的塵世，數學純粹得就像精神的世外桃源。數學是，一束光，一條巷，一團不滅的希望，一股磅?的力量，一個值得寄託的避風港。
打破陳腐的鎖鏈，把功利心暫放一邊，我們一道懷揣一份鄉愁，心存些許詩意，踩著藝術維度，投入數學張開的臂膀，駛入它色彩斑斕、變幻無窮的深港，感受久違的歸屬，一睹更美、更好的遠方。
前言
感謝
首先感謝大家的信任。
作者僅是在學習應用資料科學和機器學習演算法時，多讀了幾本數學書，多做了一些思考和知識 整理而已。知者不言，言者不知。知者不博，博者不知。由於作者水準有限，斗膽把自己所學所思與大家分享，作者權當無知者無畏。希望大家在Github多提意見，讓這套書成為作者和讀者共同參與創作的作品。
特別感謝清華大學出版社的欒大成老師。從選題策劃、內容創作到裝幀設計，欒老師事無巨細、一路陪伴。每次與欒老師交流，都能感受到他對優質作品的追求、對知識分享的熱情。
出來混總是要還的
曾經，考試是我們學習數學的唯一動力。考試是頭懸樑的繩，是錐刺股的錐。我們中的大多數人 從小到大為各種考試埋頭題海，數學味同嚼蠟，甚至讓人恨之入骨。
數學所帶來了無盡的「折磨」。 我們甚至恐懼數學，憎恨數學，恨不得一走出校門就把數學拋之腦後，老死不相往來。
可悲可笑的是，我們很多人可能會在畢業的五年或十年以後，因為工作需要，不得不重新學習微積分、線性代數、機率統計，悔恨當初沒有學好數學，甚至遷怒於教材和老師。
這一切不能都怪數學，值得反思的是我們學習數學的方法和目的。
再給自己一個學數學的理由
為考試而學數學，是被逼無奈的舉動。而為數學而數學，則又太過高尚而遙不可及。
相信對絕大部分的我們來說，數學是工具、是謀生手段，而非目的。我們主動學數學，是想用數學工具解決具體問題。
現在，這套書給大家一個「學數學、用數學」的全新動力—資料科學、機器學習。
資料科學和機器學習已經深度融合到我們生活的各方面，而數學正是開啟未來大門的鑰匙。不是所有人生來都握有一副好牌，但是掌握「數學 + 程式設計 + 機器學習」的知識絕對是王牌。這次，學習數學不再是為了考試、分數、升學，而是投資時間、自我實現、面向未來。未來已來，你來不來？
本套書系如何幫到你
為了讓大家學數學、用數學，甚至愛上數學，作者可謂頗費心機。在創作這套書時，作者儘量克服傳統數學教材的各種弊端，讓大家學習時有興趣、看得懂、有思考、更自信、用得著。
為此，叢書在內容創作上突出以下幾個特點。
數學 + 藝術
全圖解，極致視覺化，讓數學思想躍然紙上、生動有趣、一看就懂，同時提高大家的資料思維、幾何想像力、藝術感。
零基礎
從零開始學習Python程式設計，從寫第一行程式到架設資料科學和機器學習應用，儘量將陡峭學習曲線拉平。
知識網路
打破數學板塊之間的門檻，讓大家看到數學代數、幾何、線性代數、微積分、 機率統計等板塊之間的聯繫，編織一張綿密的數學知識網路。
動手
授人以魚不如授人以漁，和大家一起寫程式、創作數學動畫、互動App。
學習生態
構造自主探究式學習生態環境「紙質圖書 + 程式檔案 + 視覺化工具 + 思維導圖」 ，提供各種優質學習資源。
理論 + 實踐
從加減乘除到機器學習，叢書內容安排由淺入深、螺旋上升，兼顧理論和實 踐；在程式設計中學習數學，學習數學時解決實際問題。
雖然本書標榜「從加減乘除到機器學習」， 但是建議讀者朋友們至少具備高中數學知識。如果讀者正在學習或曾經學過大學數學 (微積分、線性代數、機率統計) ，這套書就更容易讀懂了。
聊聊數學
數學是工具。錘子是工具，剪刀是工具，數學也是工具。
數學是思想。數學是人類思想高度抽象的結晶體。在其冷酷的外表之下，數學的核心實際上就是人類樸素的思想。學習數學時，知其然，更要知其所以然。不要死記硬背公式定理，理解背後的數學思想才是關鍵。如果你能畫一幅圖、用簡單的語言描述清楚一個公式、一則定理，這就說明你真正理解了它。
數學是語言。就好比世界各地不同種族有自己的語言，數學則是人類共同的語言和邏輯。數學這門語言極其精準、高度抽象，放之四海而皆準。雖然我們中大多數人沒有被數學「女神」選中，不能 為人類對數學認知開疆擴土；但是，這絲毫不妨礙我們使用數學這門語言。就好比，我們不會成為語言學家，我們完全可以使用母語和外語交流。
數學是系統。代數、幾何、線性代數、微積分、機率統計、最佳化方法等，看似一個個孤島，實際上都是數學網路的一條條織線。建議大家學習時，特別關注不同數學板塊之間的聯繫，見樹，更要見林。
數學是基石。拿破崙曾說「數學的日臻完善和國強民富息息相關。」數學是科學進步的根基，是經濟繁榮的支柱，是保家衛國的武器，是探索星辰大海的航船。
數學是藝術。數學和音樂、繪畫、建築一樣，都是人類藝術體驗。透過視覺化工具，我們會在看似枯燥的公式、定理、資料背後，發現數學之美。
數學是歷史，是人類共同記憶體。「歷史是過去，又屬於現在，同時在指引未來。」數學是人類的集體學習思考，它把人的思維符號化、形式化，進而記錄、累積、傳播、創新、發展。從甲骨、泥板、石板、竹簡、木牘、紙草、羊皮卷冊、活字印刷、紙質書，到數字媒介，這一過程持續了數千年，至今綿延不息。
數學是無窮無盡的想像力，是人類的好奇心，是自我挑戰的毅力，是一個接著一個的問題，是看似荒誕不經的猜想，是一次次膽大包天的批判性思考，是敢於站在前人臂膀之上的勇氣，是孜孜不倦 地延展人類認知邊界的不懈努力。
家園、詩、遠方
諾瓦利斯曾說：「哲學就是懷著一種鄉愁的衝動到處去尋找家園。」
在紛繁複雜的塵世，數學純粹得就像精神的世外桃源。數學是，一束光，一條巷，一團不滅的希望，一股磅?的力量，一個值得寄託的避風港。
打破陳腐的鎖鏈，把功利心暫放一邊，我們一道懷揣一份鄉愁，心存些許詩意，踩著藝術維度，投入數學張開的臂膀，駛入它色彩斑斕、變幻無窮的深港，感受久違的歸屬，一睹更美、更好的遠方。
目次
第 1章 不止向量
1.1 有資料的地方，必有矩陣
1.2 有矩陣的地方，更有向量
1.3 有向量的地方，就有幾何
1.4 有幾何的地方，皆有空間
1.5 有資料的地方，定有統計
第 2章 向量運算
2.1 向量：多面手
2.2 行向量、列向量
2.3 向量長度：模，歐氏距離，L2範數
2.4 加減法：對應位置元素分別相加減
2.5 純量乘法：向量縮放
2.6 向量內積：結果為純量
2.7 向量夾角：反餘弦
2.8 餘弦相似度和餘弦距離
2.9 向量積：結果為向量
2.10 逐項積：對應元素分別相乘
2.11 張量積：張起網格面
第 3章 向量範數
3.1 Lp範數：L2範數的推廣
3.2 Lp範數和超橢圓的聯繫
3.3 L1範數：旋轉正方形
3.4 L2範數：正圓
3.5 L∞範數：正方形
3.6 再談距離度量
第4章 矩陣
4.1 矩陣：一個不平凡的表格
4.2 矩陣形狀：每種形狀都有特殊用途
4.3 基本運算：加減和純量乘法
4.4 廣播原則
4.5 矩陣乘法：線性代數的運算核心
4.6 兩個角度解剖矩陣乘法
4.7 轉置：繞主對角線鏡像
4.8 矩陣逆：「相當於 」除法運算
4.9 跡：主對角元素之和
4.10 逐項積：對應元素相乘
4.11 行列式：將矩陣映射到純量值
第5章 矩陣乘法
5.1 矩陣乘法：形態豐富多樣
5.2 向量和向量
5.3 再聊全1列向量
5.4 矩陣乘向量：線性方程式組
5.5 向量乘矩陣乘向量：二次型
5.6 方陣次方陣：矩陣分解
5.7 對角陣：批次縮放
5.8 置換矩陣：調換元素順序
5.9 矩陣乘向量：映射到一維
5.10 矩陣乘矩陣：映射到多維
5.11 長方陣：奇異值分解、格拉姆矩陣、張量積
5.12 愛因斯坦求和約定
5.13 矩陣乘法的幾個雷區
第6章 分塊矩陣
6.1 分塊矩陣：橫平垂直切豆腐
6.2 矩陣乘法第一角度：純量積展開
6.3 矩陣乘法第二角度：外積展開
6.4 矩陣乘法更多角度：分塊多樣化
6.5 分塊矩陣的逆
6.6 克羅內克積：矩陣張量積
第 7章 向量空間
7.1 向量空間：從直角座標系說起
7.2 給向量空間塗顏色：RGB色卡
7.3 張成空間：線性組合紅、綠、藍三原色
7.4 線性無關：紅色和綠色，調不出青色
7.5 非正交基底：青色、品紅、黃色
7.6 基底轉換：從紅、綠、藍，到青色、品紅、黃色
第8章 幾何變換
8.1 線性變換：線性空間到自身的線性映射
8.2 平移：仿射變換，原點變動
8.3 縮放：對角陣
8.4 旋轉：行列式值為1
8.5 鏡像：行列式值為負
8.6 投影：降維操作
8.7 再談行列式值：幾何角度
第 9章 正交投影
9.1 純量投影：結果為純量
9.2 向量投影：結果為向量
9.3 正交矩陣：一個規範正交基底
9.4 規範正交基底性質
9.5 再談鏡像：從投影角度
9.6 格拉姆-施密特正交化
9.7 投影角度看回歸
第 10 章 資料投影
10.1 從一個矩陣乘法運算說起
10.2 二次投影 + 層層疊加
10.3 二特徵資料投影：標準正交基底
10.4 二特徵資料投影：規範正交基底
10.5 四特徵資料投影：標準正交基底
10.6 四特徵資料投影：規範正交基底
10.7 資料正交化
第 11章 矩陣分解
11.1 矩陣分解：類似因式分解
11.2 LU分解：上下三角
11.3 Cholesky分解：適用於正定矩陣
11.4 QR分解：正交化
11.5 特徵值分解：刻畫矩陣映射的特徵
11.6 奇異值分解：適用於任何實數矩陣
第 12章 Cholesky分解
12.1 Cholesky分解
12.2 正定矩陣才可以進行Cholesky分解
12.3 幾何角度：開合
12.4 幾何變換：縮放 → 開合
12.5 推廣到三維空間
12.6 從格拉姆矩陣到相似度矩陣
第 13章 特徵值分解
13.1 幾何角度看特徵值分解
13.2 旋轉 → 縮放 → 旋轉
13.3 再談行列式值和線性變換
13.4 對角化、譜分解
13.5 聊聊特徵值
13.6 特徵值分解中的複數現象
第 14章 深入特徵值分解
14.1 方陣開方
14.2 矩陣指數：冪級數的推廣
14.3 費氏數列：求通項式
14.4 馬可夫過程的平穩狀態
14.5 瑞利商
14.6 再談橢圓：特徵值分解
第 15章 奇異值分解
15.1 幾何角度：旋轉 → 縮放 → 旋轉
15.2 不同類型SVD分解
15.3 左奇異向量矩陣U
15.4 右奇異向量矩陣V
15.5 兩個角度：投影和資料疊加
第 16章 深入奇異值分解
16.1 完全型：U為方陣
16.2 經濟型：S去掉零矩陣，變方陣
16.3 緊湊型：非滿秩
16.4 截斷型：近似
16.5 資料還原：層層疊加
16.6 估計與誤差：截斷型SVD
16.7 正交投影：資料正交化
第 17章 多元函式微分
17.1 偏導：特定方向的變化率
17.2 梯度向量：上山方向
17.3 法向量：垂直於切平面
17.4 方向性微分：函式任意方向的變化率
17.5 泰勒展開：一元到多元
第 18章 拉格朗日乘子法
18.1 回顧最佳化問題
18.2 等式約束條件
18.3 線性等式約束
18.4 非線性等式約束
18.5 不等式約束
18.6 再談特徵值分解：最佳化角度
18.7 再談SVD：最佳化角度
18.8 矩陣範數：矩陣 → 純量，矩陣「大小 」
18.9 再談資料正交投影：最佳化角度
第 19章 直線到超平面
19.1 切向量：可以用來定義直線
19.2 法向量：定義直線、平面、超平面
19.3 超平面：一維直線和二維平面的推廣
19.4 平面與梯度向量
19.5 中垂線：用向量求解析式
19.6 用向量計算距離
第 20 章 再談圓錐曲線
20.1 無處不在的圓錐曲線
20.2 正圓：從單位圓到任意正圓
20.3 單位圓到旋轉橢圓：縮放 → 旋轉 → 平移
20.4 多元高斯分佈：矩陣分解、幾何變換、距離
20.5 從單位雙曲線到旋轉雙曲線
20.6 切線：建構函式，求梯度向量
20.7 法線：法向量垂直於切向量
第 21章 曲面和正定性
21.1 正定性
21.2 幾何角度看正定性
21.3 開口朝上抛物面：正定
21.4 山谷面：半正定
21.5 開口朝下抛物面：負定
21.6 山脊面：半負定
21.7 雙曲抛物面：不定
21.8 多極值曲面：局部正定性
第 22章 資料與統計
22.1 統計 + 線性代數：以鳶尾花資料為例
22.2 平均值：線性代數角度
22.3 質心：平均值排列成向量
22.4 中心化：平移
22.5 分類資料：加標籤
22.6 方差：平均值向量沒有解釋的部分
22.7 協方差和相關性係數
22.8 協方差矩陣和相關性係數矩陣
第 23章 資料空間
23.1 從資料矩陣X說起
23.2 向量空間：從SVD分解角度理解
23.3 緊湊型SVD分解：剔除零空間
23.4 幾何角度說空間
23.5 格拉姆矩陣：向量模、夾角餘弦值的集合體
23.6 標準差向量：以資料質心為起點
23.7 白話說空間：以鳶尾花資料為例
第 24章 資料分解
24.1 為什麼要分解矩陣？
24.2 QR分解：獲得正交系
24.3 Cholesky分解：找到列向量的座標
24.4 特徵值分解：獲得行空間和零空間
24.5 SVD分解：獲得四個空間
第 25章 資料應用
25.1 從線性代數到機器學習
25.2 從隨機變數的線性變換說起
25.3 單方向映射
25.4 線性回歸
25.5 多方向映射
25.6 主成分分析
1.1 有資料的地方，必有矩陣
1.2 有矩陣的地方，更有向量
1.3 有向量的地方，就有幾何
1.4 有幾何的地方，皆有空間
1.5 有資料的地方，定有統計
第 2章 向量運算
2.1 向量：多面手
2.2 行向量、列向量
2.3 向量長度：模，歐氏距離，L2範數
2.4 加減法：對應位置元素分別相加減
2.5 純量乘法：向量縮放
2.6 向量內積：結果為純量
2.7 向量夾角：反餘弦
2.8 餘弦相似度和餘弦距離
2.9 向量積：結果為向量
2.10 逐項積：對應元素分別相乘
2.11 張量積：張起網格面
第 3章 向量範數
3.1 Lp範數：L2範數的推廣
3.2 Lp範數和超橢圓的聯繫
3.3 L1範數：旋轉正方形
3.4 L2範數：正圓
3.5 L∞範數：正方形
3.6 再談距離度量
第4章 矩陣
4.1 矩陣：一個不平凡的表格
4.2 矩陣形狀：每種形狀都有特殊用途
4.3 基本運算：加減和純量乘法
4.4 廣播原則
4.5 矩陣乘法：線性代數的運算核心
4.6 兩個角度解剖矩陣乘法
4.7 轉置：繞主對角線鏡像
4.8 矩陣逆：「相當於 」除法運算
4.9 跡：主對角元素之和
4.10 逐項積：對應元素相乘
4.11 行列式：將矩陣映射到純量值
第5章 矩陣乘法
5.1 矩陣乘法：形態豐富多樣
5.2 向量和向量
5.3 再聊全1列向量
5.4 矩陣乘向量：線性方程式組
5.5 向量乘矩陣乘向量：二次型
5.6 方陣次方陣：矩陣分解
5.7 對角陣：批次縮放
5.8 置換矩陣：調換元素順序
5.9 矩陣乘向量：映射到一維
5.10 矩陣乘矩陣：映射到多維
5.11 長方陣：奇異值分解、格拉姆矩陣、張量積
5.12 愛因斯坦求和約定
5.13 矩陣乘法的幾個雷區
第6章 分塊矩陣
6.1 分塊矩陣：橫平垂直切豆腐
6.2 矩陣乘法第一角度：純量積展開
6.3 矩陣乘法第二角度：外積展開
6.4 矩陣乘法更多角度：分塊多樣化
6.5 分塊矩陣的逆
6.6 克羅內克積：矩陣張量積
第 7章 向量空間
7.1 向量空間：從直角座標系說起
7.2 給向量空間塗顏色：RGB色卡
7.3 張成空間：線性組合紅、綠、藍三原色
7.4 線性無關：紅色和綠色，調不出青色
7.5 非正交基底：青色、品紅、黃色
7.6 基底轉換：從紅、綠、藍，到青色、品紅、黃色
第8章 幾何變換
8.1 線性變換：線性空間到自身的線性映射
8.2 平移：仿射變換，原點變動
8.3 縮放：對角陣
8.4 旋轉：行列式值為1
8.5 鏡像：行列式值為負
8.6 投影：降維操作
8.7 再談行列式值：幾何角度
第 9章 正交投影
9.1 純量投影：結果為純量
9.2 向量投影：結果為向量
9.3 正交矩陣：一個規範正交基底
9.4 規範正交基底性質
9.5 再談鏡像：從投影角度
9.6 格拉姆-施密特正交化
9.7 投影角度看回歸
第 10 章 資料投影
10.1 從一個矩陣乘法運算說起
10.2 二次投影 + 層層疊加
10.3 二特徵資料投影：標準正交基底
10.4 二特徵資料投影：規範正交基底
10.5 四特徵資料投影：標準正交基底
10.6 四特徵資料投影：規範正交基底
10.7 資料正交化
第 11章 矩陣分解
11.1 矩陣分解：類似因式分解
11.2 LU分解：上下三角
11.3 Cholesky分解：適用於正定矩陣
11.4 QR分解：正交化
11.5 特徵值分解：刻畫矩陣映射的特徵
11.6 奇異值分解：適用於任何實數矩陣
第 12章 Cholesky分解
12.1 Cholesky分解
12.2 正定矩陣才可以進行Cholesky分解
12.3 幾何角度：開合
12.4 幾何變換：縮放 → 開合
12.5 推廣到三維空間
12.6 從格拉姆矩陣到相似度矩陣
第 13章 特徵值分解
13.1 幾何角度看特徵值分解
13.2 旋轉 → 縮放 → 旋轉
13.3 再談行列式值和線性變換
13.4 對角化、譜分解
13.5 聊聊特徵值
13.6 特徵值分解中的複數現象
第 14章 深入特徵值分解
14.1 方陣開方
14.2 矩陣指數：冪級數的推廣
14.3 費氏數列：求通項式
14.4 馬可夫過程的平穩狀態
14.5 瑞利商
14.6 再談橢圓：特徵值分解
第 15章 奇異值分解
15.1 幾何角度：旋轉 → 縮放 → 旋轉
15.2 不同類型SVD分解
15.3 左奇異向量矩陣U
15.4 右奇異向量矩陣V
15.5 兩個角度：投影和資料疊加
第 16章 深入奇異值分解
16.1 完全型：U為方陣
16.2 經濟型：S去掉零矩陣，變方陣
16.3 緊湊型：非滿秩
16.4 截斷型：近似
16.5 資料還原：層層疊加
16.6 估計與誤差：截斷型SVD
16.7 正交投影：資料正交化
第 17章 多元函式微分
17.1 偏導：特定方向的變化率
17.2 梯度向量：上山方向
17.3 法向量：垂直於切平面
17.4 方向性微分：函式任意方向的變化率
17.5 泰勒展開：一元到多元
第 18章 拉格朗日乘子法
18.1 回顧最佳化問題
18.2 等式約束條件
18.3 線性等式約束
18.4 非線性等式約束
18.5 不等式約束
18.6 再談特徵值分解：最佳化角度
18.7 再談SVD：最佳化角度
18.8 矩陣範數：矩陣 → 純量，矩陣「大小 」
18.9 再談資料正交投影：最佳化角度
第 19章 直線到超平面
19.1 切向量：可以用來定義直線
19.2 法向量：定義直線、平面、超平面
19.3 超平面：一維直線和二維平面的推廣
19.4 平面與梯度向量
19.5 中垂線：用向量求解析式
19.6 用向量計算距離
第 20 章 再談圓錐曲線
20.1 無處不在的圓錐曲線
20.2 正圓：從單位圓到任意正圓
20.3 單位圓到旋轉橢圓：縮放 → 旋轉 → 平移
20.4 多元高斯分佈：矩陣分解、幾何變換、距離
20.5 從單位雙曲線到旋轉雙曲線
20.6 切線：建構函式，求梯度向量
20.7 法線：法向量垂直於切向量
第 21章 曲面和正定性
21.1 正定性
21.2 幾何角度看正定性
21.3 開口朝上抛物面：正定
21.4 山谷面：半正定
21.5 開口朝下抛物面：負定
21.6 山脊面：半負定
21.7 雙曲抛物面：不定
21.8 多極值曲面：局部正定性
第 22章 資料與統計
22.1 統計 + 線性代數：以鳶尾花資料為例
22.2 平均值：線性代數角度
22.3 質心：平均值排列成向量
22.4 中心化：平移
22.5 分類資料：加標籤
22.6 方差：平均值向量沒有解釋的部分
22.7 協方差和相關性係數
22.8 協方差矩陣和相關性係數矩陣
第 23章 資料空間
23.1 從資料矩陣X說起
23.2 向量空間：從SVD分解角度理解
23.3 緊湊型SVD分解：剔除零空間
23.4 幾何角度說空間
23.5 格拉姆矩陣：向量模、夾角餘弦值的集合體
23.6 標準差向量：以資料質心為起點
23.7 白話說空間：以鳶尾花資料為例
第 24章 資料分解
24.1 為什麼要分解矩陣？
24.2 QR分解：獲得正交系
24.3 Cholesky分解：找到列向量的座標
24.4 特徵值分解：獲得行空間和零空間
24.5 SVD分解：獲得四個空間
第 25章 資料應用
25.1 從線性代數到機器學習
25.2 從隨機變數的線性變換說起
25.3 單方向映射
25.4 線性回歸
25.5 多方向映射
25.6 主成分分析
您曾經瀏覽過的商品
購物須知
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。