原文：
www.kdnuggets.com/2022/03/top-3-free-resources-learn-linear-algebra-machine-learning.html
教授教师照片由 freepik 创建 - www.freepik.com
1. 谷歌网络安全证书 - 快速进入网络安全职业生涯。
2. 谷歌数据分析专业证书 - 提升你的数据分析能力
3. 谷歌 IT 支持专业证书 - 支持你的组织的 IT
数学是所有机器学习算法的核心。虽然成为数据科学家不需要正式的数学教育，但你需要充分理解该学科的原则，以成功构建出有价值的模型。
在我之前写的一篇文章中，我解释了深入理解机器学习算法所必需的三门数学学科——统计学、微积分和线性代数。
本文将专注于线性代数，因为它是机器学习模型实现的基础。
线性代数概念，如向量化，能够加快计算速度，并在 Pandas、Scipy 和 Scikit-Learn 等库中实现。
PCA 等算法使用矩阵分解技术来减少特征空间的维度。
使用像 Tensorflow 这样的库实现深度学习算法需要对线性代数有基本的了解，因为你需要进行矩阵操作并理解张量的工作原理。
这本免费的教科书将带你了解线性代数的基础。以下是本书的目录：
-
介绍
-
向量
-
点积
-
向量积
-
高斯消元法
-
矩阵
-
行列式
-
排名
-
线性映射
-
特征值和特征向量
这是线性代数的简单介绍，概念通过互动可视化向读者解释。为了让这个主题更易于理解，本书将话题做了更广泛和抽象的处理，每一章都有示例。
与传统的线性代数课程手动求解线性方程不同，FastAI 的学习轨迹将演示如何使用计算机实现这些技术。
在这门课程中，你将学习如何使用 NumPy 和 PyTorch 等库在 Python 中进行矩阵计算。
这门课程最棒的地方在于它采取了自上而下的学习方法。虽然大多数数学课程倾向于关注理论，FastAI 的线性代数课程将首先提供代码示例和实际例子，然后再深入到更复杂的细节中。
自上而下的方法使学生更容易集中注意力，因为他们可以首先处理有趣的应用，然后再深入数学内容。
该课程假设你已经具备基础的线性代数知识，因此我建议在参加课程之前阅读上述教材作为前提条件。
这是麻省理工学院开放课程的一个系列视频讲座，已经免费向公众开放。该课程共有 34 个视频讲座，由吉尔伯特·斯特朗教授主讲，他的教学风格直观，将为你提供不同的问题解决视角。
每个章节都有一个问题集，我建议你在继续下一个章节之前先解决每个讲座的问题。
如果你发现问题集不够充分，缺乏练习，你可以通过附带的教材（由同一位教授编写）来补充这门课程——线性代数及其应用。但是，请记住，虽然课程免费提供，但书籍是有费用的。
上述资源是熟悉机器学习算法背后线性代数的绝佳方式。
但是，如果你觉得难以掌握上述材料，我建议你从一些较轻的内容开始，例如 3Blue1Brown’s 或 Khan Academy’s 线性代数课程。这些视频是为完全的数学初学者创建的，在你深入学习上述更复杂的材料之前，它们将作为对该主题的简单介绍。
Natassha Selvaraj 是一位自学成才的数据科学家，对写作充满热情。你可以通过 LinkedIn 联系她。