Summary 本书说明 勘误和修改 有问有答 向量和向量空间 一个重要更正 机器学习的线性代数基础概念 什么是线性代数 线性代数基本定理 线性映射 柯西—施瓦茨不等式 向量范数 四元数、点积和叉积 函数也是向量 矩阵 矩阵运算 仿射空间和仿射变换 超平面 从几何角度理解矩阵 对矩阵乘法的深入理解 可逆矩阵 转置矩阵 求解线性方程组 LU分解 矩阵的秩 特殊矩阵 特征值和特征向量 理解特征值和特征向量 特征值的代数重数与几何重数 不变子空间与特征值 矩阵的迹 不用行列式的特征分析 相似矩阵 矩阵对角化 正定矩阵 直和与投影 矩阵的QR分解 极分解 常用的矩阵分解 Google背后的线性代数 向量分析 张量积 拉格朗日乘数法 最优化方法 二次型 概率 概率基础 概率论的基本概念 概率的典型问题和解答 随机变量 贝叶斯定律 期望 方差 Sigmoid 函数和 logistic 回归 Probability和Odds的比较 数理统计 大数定理 中心极限定理 描述性统计 参数估计方法 回归分析 主成分分析（PCA） 比较 SVD 和 PCA 信息和熵 交叉熵损失函数 机器学习专题 费雪的线性判别分析 用贝叶斯定理理解线性判别分析 Logistic 回归 决策树 贝叶斯分类器 贝叶斯网络 k 近邻学习 聚类 确定聚类算法中的超参数 支持向量机 专题 1：微积分 01 函数 02 极限和连续 03 导数 04 定理和证明 专题 2：图论及其应用 图论基础 图神经网络及其应用概述 专题 3：【考研课程】心理统计学 统计学与心理学 常用特征量 概率基础 概率分布 抽样技术与样本平均数的抽样分布 平均数的参数估计 平均数的假设检验 总体方差与总体比例的统计推断 方差分析 相关分析 回归分析 卡方检验 非参数检验 多元分析初步 专题 4：数学相关 与e相关的内容 学习方法 专题 5：【免费课程】用 Python 玩转数学 课程简介 基础运算 Jupyter简介 操作技巧