人工智能中的线性代数与矩阵论学习秘诀之精品课程
读者朋友们如果希望通过观看视频的方式自学线性代数与矩阵论的相关内容,下面列出的一些课程可供参考。在线课程非常多,本文仅仅列出了其中的一部分,读者朋友们也可以在网上自行搜索,然后根据自己的喜好进行选择。
清华大学马辉、徐帆两位老师主讲的《线性代数》中文课程深入浅出、易于理解。讲授的内容知识全面,学习坡度平缓,适合入门者学习,课程的视频见课程 11。
课程 11 清华大学马辉、徐帆老师的《线性代数》中文课程,网址为:https://www.bilibili.com/video/BV11z4y1f7ym?p=1
山东大学秦静教授的《线性代数导论》中文课程讲解细致,逻辑清晰,内容全面。课程的视频见课程 12。
课程 12 山东大学秦静教授的《线性代数导论》中文课程,网址为:https://www.bilibili.com/video/BV1Bp4y1Q7kf?p=1
对于线性代数知识有较高要求的读者,可以学习中科院数学与系统科学研究院席南华院士的线性代数I和线性代数II中文课程。席南华院士的课程理论深厚,包含了线性代数的基础和高阶内容,课程讲解逻辑清晰,难度较大,适合需要进行提高的学习者进行学习。关于课程的更多介绍及课程视频的网址,请查阅图书《人工智能怎么学》。
MIT的Gilbert Strang教授是线性代数方面的权威,其讲授的《线性代数》英文课程形象生动、内容严谨、框架清晰,对原理背后的本质剖析深刻,适合对线性代数有较高要求的人员进行学习,课程的视频见课程 13。
课程 13 MIT Gilbert Strang教授的《线性代数》英文课程,网址为:https://www.bilibili.com/video/BV1Y7411P79C?p=1
如果需要学习代数的高阶内容,可以观看北京大学丘维声教授讲授的《高等代数》中文课程视频。该课程通俗易懂、推导详尽、逻辑清晰,课程的视频见课程 14。
课程 14 北京大学丘维声教授的《高等代数》中文课程,网址为:https://www.bilibili.com/video/BV1wt41147Q1?p=1
哈尔滨工业大学严质彬教授的《矩阵分析》中文课程语言生动、通俗易懂、内容详尽,善于将抽象的理论具体化,课程的视频见课程 15。
课程 15 哈尔滨工业大学严质彬教授的《矩阵分析》中文课程,网址为:https://www.bilibili.com/video/BV1Y7411P79C?p=1
台湾交通大学吴培元教授的《矩阵分析》中文课程条理清晰、讲述流畅,课程有一定的难度,适合进行提高的人员观看,课程的视频见课程 16。
课程 16 台湾交通大学吴培元教授的《矩阵分析》中文课程,网址为:https://www.bilibili.com/video/BV1C7411c7Mm?p=1
MIT的Gilbert Strang教授的《数据分析、信号处理和机器学习中的矩阵方法》英文课程是一门讲解矩阵方法如何解决实际问题的课程。该课程细致深入、讲解详尽、富有启发性,特别适合AI领域的人员进行学习,课程的视频见课程 17。
课程 17 MIT Gilbert Strang教授的《数据分析、信号处理和机器学习中的矩阵方法》英文课程,网址为:https://www.bilibili.com/video/BV1b4411j7V3?p=1
关于人工智能中的线性代数与矩阵论学习秘诀的更多介绍,可以购买《人工智能怎么学》进一步阅读。
图书购买方式
京东:https://item.jd.com/13395339.html
当当:http://product.dangdang.com/29469230.html
天猫:https://detail.tmall.com/item_o.htm?id=687374654836
为了让图书惠及更多的读者,为更多想学习人工智能的人提供帮助,经过向出版社申请,对图书《人工智能怎么学》的部分内容进行改编和连载。图书《人工智能怎么学》的全部内容包含了初级入门、中阶提高以及高级进阶三个级别的内容。连载的内容主要是初级入门级别,适合想对人工智能进行快速和高效入门的读者,对于已有一定的人工智能学习基础,希望进一步进阶或提高的读者,则需要购买图书《人工智能怎么学》,学习中阶提高以及高级进阶的内容。此外,对于学习人工智能感兴趣的读者,也可以加入知识星球《人工智能怎么学》,知识星球是一个构建学习社群的平台,通过加入《人工智能怎么学》的社群,你将获得更多的学习资料和课程信息。
与作者互动和了解更多信息
想跟作者一起学习人工智能和互动,你可以加入如下社群:
知识星球:https://t.zsxq.com/0aLkVg0os
QQ群:600587177
想了解更多关于人工智能学习及实践的内容,请关注如下媒体:
官方网站:https://bigdatamininglab.github.io
官方微信公众号:人工智能怎么学(可扫描下方二维码或者微信搜索“人工智能怎么学”添加关注)
CSDN:https://blog.csdn.net/audyxiao001
参考文献
张文俊. 数学欣赏[M]. 北京: 科学出版社, 2011.
李文林. 数学史概论 第4版[M]. 北京: 高等教育出版社, 2021.
方开泰. 漫漫修远攻算路:方开泰自述[M]. 长沙: 湖南教育出版社, 2016.
徐品方. 数学王子——高斯[M]. 哈尔滨: 哈尔滨工业大学出版社, 2018.
同济大学数学系. 高等数学(第7版)[M]. 北京: 高等教育出版社, 2014.
李忠,周建莹. 高等数学(第2版)[M]. 北京: 北京大学出版社, 2009.
Joel Hass et al.Thomas’ Calculus: Early Transcendentals (Fourteenth Edition)[M]. Pearson, 2018.
Ron Larson, and Bruce Edwards. Calculus (Eleventh Edition)[M]. Cengage Learning, 2018.
华东师范大学数学科学学院. 数学分析(第5版)[M]. 北京: 高等教育出版社, 2019.
常庚哲, 史济怀. 数学分析教程(第3版)[M]. 合肥: 中国科学技术大学出版社, 2012.
Walter Rudin. Principles of Mathematical Analysis (ThirdEdition) [M]. McGraw-Hill Education, 1976.
Vladimir A. Zoric. Mathematical Analysis (Second Edition)[M]. Springer, 2016.
Elias M. Stein, and RamiShakarchi. Real Analysis: Measure Theory, Integration, and Hilbert Spaces [M]. Princeton University Press,2004.
Elias M. Stein, and Rami Shakarchi. Complex Analysis [M]. Princeton University Press,2005.
Elias M. Stein, and Rami Shakarchi. Fourier Analysis: AnIntroduction [M]. PrincetonUniversity Press,2003.
Elias M. Stein, and Rami Shakarchi. Functional Analysis:Introduction to Further Topics in Analysis[M]. Princeton University Press, 2011.
丘维声. 简明线性代数[M]. 北京: 北京大学出版社, 2002.
居于马. 线性代数(第2版)[M]. 北京: 清华大学出版社, 2002.
李尚志. 线性代数[M]. 北京: 高等教育出版社, 2002.
李炯生. 线性代数(第2版)[M]. 合肥: 中国科学技术大学出版社, 2010.
龚昇. 线性代数(第2版)[M]. 合肥: 中国科学技术大学出版社, 2005.
任广千, 谢聪, 胡翠芳. 线性代数的几何意义[M]. 西安: 西安电子科技大学出版社, 2015.
Kuldeep Singh. Linear Algebra: Step by Step [M]. OxfordUniversity Press,2014.
Gilbert Strang. Introduction to Linear Algebra (FifthEdition) [M]. Wellesley-Cambridge Press, 2016.
David C. Lay et al. Linear Algebra and Its Application (FifthEdition) [M]. Pearson,, 2016.
Sheldon Axler. Linear Algebra Done Right (Third Edition) [M].Springer, 2015.
Gerald Farin, and Dianne Hansford. Practical Linear Algebra:A Geometry Toobox (Third Edition) [M]. CRC Press, 2013.
Gilbert Strang. Linear Algebra and Learning from Data [M].Wellesley-Cambridge Press, 2019.
徐仲. 矩阵论简明教程(第3版)[M]. 北京: 科学出版社, 2014.
张贤达. 矩阵分析与应用(第2版)[M]. 北京: 清华大学出版社, 2013.
Gene H. Golub, and Charles F. Van Loan. Matrix Computation(Fourth Edition) [M]. The Johns Hopkins University Press, 2013.
Roger A. Horn, and Charles R. Johnson. Matrix Analysis(Second Edition) [M]. Cambridge University Press, 2013.
盛骤, 谢式千, 潘承毅. 概率论与数理统计(第4版)[M]. 北京: 高等教育出版社, 2008.
陈希孺. 概率论与数理统计[M]. 合肥: 中国科学技术大学出版社, 2017.
Jay L. Devore. Probability and Statistics for Engineering andthe Sciences (Ninth Edition) [M]. Cengage Learning, 2016.
Morris H. DeGroot, and Mark J. Schervish . Probabilityand Statistics (Forth Edition) [M]. Pearson, 2012.
高惠璇. 应用多元统计分析[M]. 北京大学出版社, 2004.
王静龙. 多元统计分析[M]. 科学出版社, 2008.
T. W. Anderson. An Introduction to Multivariate Statistical Analysis(Third Edition) [M]. John Wiley & Sons, 2003.
Richard A. Johnson, and Dean W. Wichern . Applied Multivariate Statistical Analysis (SixthEdition) [M]. Pearson, 2007.
程士宏. 测度论与概率论基础[M]. 北京: 北京大学出版社, 2004.
严加安. 测度论讲义(第2版)[M]. 北京: 科学出版社, 2004.
Krishna B. Athreya, and Soumendra N. Lahiri. Measure Theoryand Probability Theory (Third Edition) [M]. Springer, 2006.
Paul R. Halmos. Measure Theory [M]. Springer Science+Business Media, 1974.
胡迪鹤. 高等概率论及其应用[M]. 北京: 高等教育出版社, 2008.
郑忠国. 高等统计学[M]. 北京: 北京大学出版社, 2012.
Craig A. Mertler, and Rachel Vannatta Reinhart. Advanced andMultivariate Statistical Methods: Practical Application and Interpretation(Sixth Edition) [M]. Routledge, 2017.
Eugene Demidenko. Advanced Statistics with Applications in R[M]. John Wiley & Sons, 2020.
何书元. 随机过程[M]. 北京: 北京大学出版社, 2008.
张波, 张景肖. 应用随机过程[M]. 北京: 清华大学出版社, 2004.
Sheldon M. Ross. Introduction to Probability Models (TwelfthEdition) [M]. Academic Press, 2019.
Robert G. Gallager. Stochastic Processes: Theory forApplications [M]. John Wiley & Sons, 2013.
David Forsyth. Probability and Statistics for ComputerScience (Twelfth Edition) [M]. Springer, 2018.
Luc Devroye et al. A Probabilistic Theory of PatternRecognition [M]. Springer, 1997.
《运筹学》教材编写组. 运筹学(第4版)[M]. 北京: 清华大学出版社, 2013.
胡运权, 郭耀煌. 运筹学教程(第5版)[M]. 北京: 清华大学出版社, 2018.
Frederick S. Hillier, and Gerald J. Lieberman. Introductionto Operation Research (Tenth Edition) [M]. McGraw-Hill Education, 2015.
Hamdy A. Taha. Operation Research:An Introduction(Tenth Edition) [M]. Pearson, 2017.
陈宝林. 最优化理论与算法(第2版)[M]. 北京: 清华大学出版社, 2018.
高立. 数值最优化方法[M]. 北京: 北京大学出版社, 2014.
Edwin K. P. Chong, and Stanislaw H. Zak. An Introduction toOptimization (Fourth Edition) [M]. John Wiley & Sons, 2013.
Jorge Nocedal, and Stephen J. Wright. Numerical Optimization(Second Edition) [M]. Springer, 2006.
Stephen Boyd, and Lieven Vandenberghe. Convex Optimization[M]. Cambridge University Press, 2004.
Yuni Nesterov. Lectures on Convex Optimization (SecondEdition) [M]. Springer, 2018.
李航. 统计学习方法(第2版)[M]. 北京: 清华大学出版社, 2019.
周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.
Yuni Nesterov. The Elements of Statistical Learning: DataMining, Inference, and Prediction (Second Edition) [M]. Springer, 2009.
Tom M. Mitchell. Machine Learning [M]. McGraw-Hill Education,1997.
Christopher Bishop. Pattern Recognition and Machine Learning[M]. Springer, 2006.
Mehryar Mohri et al. Foundation of Machine Learning (SecondEdition) [M]. The MIT Press, 2018.
Kevin P. Murphy. Probabilistic Machine Learning: AnIntroduction [M]. The MIT Press, 2022.
Shai Shalev-Shwartz, and Shai Ben-David. UnderstandingMachine Learning: From Theory to Algorithms [M]. Cambridge University Press,2014.
Ian Goodfellow etal. Deep Learning [M]. The MIT Press, 2016.
杨强, 张宇, 戴文渊, 潘嘉林 . 迁移学习[M]. 北京: 机械工业出版社, 2020.
杨强, 刘洋,程勇 等. 联邦学习[M]. 北京: 中国工信出版集团, 电子工业出版社, 2020.
周志华. 集成学习:基础与算法(第2版)[M]. 李楠, 译. 北京: 清华大学出版社, 2019.
Richard S. Sutton, and Andrew G. Barto. ReinforcementLearning: An Introduction [M]. The MIT Press, 2018.
Amparo Albalate, and Wolfgang Minker. Semi-Supervised andUnsupervised Machine Learning [M]. ISTE, and John Wiley & Sons, 2011.
Christoph Molnar. Interpretable Machine Learning: A Guide forMaking Black Box Models Expainable [M]. lulu.com, 2020.
Judea Pearl. Causality: Models, Reasoning, and Inference(Second Edition) [M]. Cambridge University Press, 2009.
注:本文版权归作者个人所有,如需转载请联系作者,未经授权不得转载。
人工智能中的线性代数与矩阵论学习秘诀之精品课程相关推荐
- 人工智能中的线性代数:如何理解并更好地应用它
选自TowardsDataScience 作者:Oleksii Kharkovyna机器之心编译参与:高璇.蛋酱 线性代数是 AI 专家必须掌握的知识,这已不再是个秘密.如果不掌握应用数学这个领域,你 ...
- 关于人工智能中的机器学习与深度学习
1.机器学习 (Machine Learning) 如今,人工智能从虚无缥缈的科学幻想变成了现实.计算机科学家们在 机器学习(Machine Learning) 和 深度学习 (Deep Learni ...
- 人工智能中数学基础:线性代数,解析几何和微积分
人工智能中数学基础:线性代数,解析几何和微积分 在人工智能领域,线性代数.解析几何和微积分是最基础的数学知识.这些数学知识不仅在人工智能领域中被广泛应用,也是其他领域的重要基础.本文将介绍人工智能中的 ...
- 分享毕业实习学子“ERP实施工程师”总结,都是肺腑之言——知识是体现人的价值,学校学习的每一个课程学科都是有意义
丁老师,这是我刚写完的实习报告,特地给您一份,可以让你了解一个信管毕业生的真实想法,希望对你在信管的教育上有帮助.---信管1102 刘贻富 上面是刚刚收到(20140427)的一封学生邮件,贻富不是 ...
- 玩转人工智能中的机器学习之学习路线
机器学习的学习路线如图 3-14所示,供读者参考.首先,可以选择一本较为简单的入门教材打好基础,然后从提高的教材中再选一本进行学习,最后再根据自己的具体研究领域选择进阶的教材进行学习.比如,如果你从事 ...
- 人工智能中的运筹学与最优化就该这样学之学习路线
运筹学与最优化是对AI具体问题进行建模和求解的核心理论之一,学习难度较大,必须按照合理的学习路线逐步进阶学习.具体的学习路线见图 3-12.首先,可以先通过运筹学教材的学习了解运筹学的研究内容和基本理 ...
- 关于人工智能中强化学习的扫盲
https://www.toutiao.com/a6666688293163237896/ 前言 对一个认知科学家来说,一个最基本的问题是"如何学习新知识?".回答这样一个问题的i ...
- 【人工智能深度学习】人工智能中的梯度下降算法和反向传播教程
[人工智能深度学习]人工智能中的梯度下降算法和反向传播教程 梯度下降优化算法 参数化模型 用方块图表达参数模型的计算图 损失函数 梯度下降 在传统神经网络中随机梯度下降和反向传播算法的优势 随机梯度下 ...
- 人工智能中的rl是什么意思_AI学习如何使用第二部分来创建自定义RL环境并培训代理...
人工智能中的rl是什么意思 From Icarus burning his wings to the Wright brothers soaring through the sky, it took ...
最新文章
- vscode插件可以直接复制到_一款可以让代码“跳舞”的 VS Code 插件:Power Mode
- 网络经典命令行【网络高手必备】
- DayDayUp:博主,在此,祝愿大家(十五种编程语言输出),2019年春节快乐!猪年诸事大吉!学要有所成,劳要有所获!
- TP框架中内置查询IP函数
- 冷藏温度范围_冰箱冷藏温度多少合适 冰箱冷藏温度调节范围
- c++ string 拼接_C++日志(二十五)字符数组、字符数组指针和string类
- 获取${}中的值? 比如说var a=${date },无法取出date中的值
- matlab数据存成脚本,matlab的excel的读和写(生成脚本m文件)
- 【vulhub】conference
- NOIP提高组【JZOJ4809】挖金矿
- 微信小程序云开发—数据库增删改查
- 早教产品微商怎么做精准引流?早教机构引流活动可以分为线上和线下两种
- 老宇哥带你玩转ESP32:01入门介绍
- 钱多多第二阶段冲刺03
- C++优化之使用emplace
- x86上 /proc/cpuinfo中的cpufreq和scaling_cur_freq怎么算
- MFC项目有关打印功能(支持分页打印)
- 毛玻璃之前世今生之filter与backdrop-filter
- python实现滑块移动操作
- echarts设置饼状图的标示线以及标示文字的颜色等相关样式