文章轉載自公眾號

機器學習初學者 ， 作者 機器學習初學者

Stanford cs229 manchine learning課程，相比于Coursera中的機器學習有更多的數學要求和公式的推導，課程全英文，基礎材料部分還沒有翻譯。這個基礎材料主要分為線性代數和概率論，而且針對機器學習課程做了優化，非常適合學習。我已經翻譯完線性代數部分，放在github提供下載。(黃海廣)

本文是斯坦福大學CS 229機器學習課程的基礎材料的中文翻譯翻譯：黃海廣 機器學習，需要一定的數學基礎，機器學習從業者數學基礎不扎實，只會用一些工具和框架，只會調參和用一些套路，相當于某些武術家只會花拳繡腿，外行人覺得很厲害，但實戰起來一定是鼻青臉腫。

原始文件下載(http://cs229.stanford.edu/summer2019/cs229-linalg.pdf)

Stanford cs229 manchine learning課程，相比于Coursera中的機器學習有更多的數學要求和公式的推導，課程全英文，已經有人翻譯了課程的內容(https://github.com/Kivy-CN/Stanford-CS-229-CN)

但是，基礎材料部分還沒有翻譯。基礎材料主要分為線性代數和概率論，而且針對機器學習課程做了優化，非常適合學習。

我已經翻譯完線性代數部分，放在我的數據科學的github提供下載：

https://github.com/fengdu78/Data-Science-Notes/tree/master/0.math/1.CS229

文件目錄

1. 基礎概念和符號

1.1 基本符號

2.矩陣乘法

2.1 向量-向量乘法

2.2 矩陣-向量乘法

2.3 矩陣-矩陣乘法

3 運算和屬性

3.1 單位矩陣和對角矩陣

3.2 轉置

3.3 對稱矩陣

3.4 矩陣的跡

3.5 范數

3.6 線性相關性和秩

3.7 方陣的逆

3.8 正交陣

3.9 矩陣的值域和零空間

3.10 行列式

3.11 二次型和半正定矩陣

3.12 特征值和特征向量

3.13 對稱矩陣的特征值和特征向量

4.矩陣微積分

4.1 梯度

4.2 黑塞矩陣

4.3 二次函數和線性函數的梯度和黑塞矩陣

4.4 最小二乘法

4.5 行列式的梯度

4.6 特征值優化

文件分為markdown版本和pdf版本，文件內容截圖：

原始課程文件

翻譯版本

線性代數已經翻譯完畢，后面的概率論部分還在翻譯中，請關注github的更新，近期將更新完。

本人水平有限，翻譯并不完美。歡迎大家提交PR，對語言進行潤色。

你不是一個人在戰斗！

可以在我的數據科學的github提供下載：

https://github.com/fengdu78/Data-Science-Notes/tree/master/0.math/1.CS229

總結

以上是生活随笔為你收集整理的线性代数第九版pdf英文_斯坦福CS229机器学习课程的数学基础（线性代数）翻译完成...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。