课程主页: https://www.coursera.org/learn/linear-algebra-machine-learning
课程概述
在这门名为《机器学习中的数学：线性代数》的课程中，我们将深入了解线性代数的基础，以及它与向量和矩阵的关系。课程不仅仅是理论知识的堆砌，而且强调数学直觉的发展，让学生能够更好地理解数据科学和机器学习中的关键概念。
课程大纲
第一模块介绍了线性代数和机器学习之间的联系，我们学习如何用向量来表示空间。这部分重点不在于繁琐的代数运算，而是掌握基本概念，以便后续学习更加复杂的内容。
在第二模块中，我们深入探讨了向量的各种操作，例如计算模（大小）、两个向量之间的角度（点积）以及向量的投影等。这些知识为后续学习矩阵打下了坚实的基础。
第三模块则将焦点转向矩阵。我们学习如何使用矩阵来解决线性代数问题，并讨论了如何通过矩阵求解线性方程组。从而引入逆矩阵和行列式的概念，帮助理解这些数学工具在算法中的作用。
第四模块讨论了矩阵如何作为变换工具，如何使用爱因斯坦求和符号来实现矩阵乘法及矩阵操作，并通过编码将这些理论应用于图像变换等实际案例中。
最后一模块聚焦于特征值和特征向量，这些关键的数学对象在许多数据问题中发挥关键作用。我们将探讨如何运用这些知识理解谷歌的PageRank算法，这也是现代数据科学中一个非常重要的应用。
课程推荐理由
这门课程非常适合希望深入理解机器学习理论基础的同学。内容全面讲解了线性代数的核心概念，并通过实际案例帮助学生将抽象的数学概念具体化。该课程既适合初学者，也适合想要复习线性代数基础的学习者。
使用Python进行编程的部分也特别有助于培养学生的动手能力，让学习者在实践中巩固理论，真正做到学以致用。因此，我强烈推荐这门课程给所有对数据科学感兴趣的朋友们！
课程主页: https://www.coursera.org/learn/linear-algebra-machine-learning