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

本站簡介↓↓↓?

“機器學習初學者”是幫助人工智能愛好者入門的個人公眾號（創始人：黃海廣）

初學者入門的道路上，最需要的是“雪中送炭”，而不是“錦上添花”。

本站的知識星球（黃博的機器學習圈子）ID：92416895

目前在機器學習方向的知識星球排名第一（上圖二維碼）

往期精彩回顧

• 良心推薦：機器學習入門資料匯總及學習建議（2018版）
  

• 黃海廣博士的github鏡像下載（機器學習及深度學習資源）

• 吳恩達老師的機器學習和深度學習課程筆記打印版
  

• 機器學習小抄-（像背托福單詞一樣理解機器學習）

• 首發：深度學習入門寶典-《python深度學習》原文代碼中文注釋版及電子書

• 機器學習的數學基礎

• 機器學習必備寶典-《統計學習方法》的python代碼實現、電子書及課件

• 吐血推薦收藏的學位論文排版教程（完整版）

• Python代碼寫得丑怎么辦？推薦幾個神器拯救你
  

• 重磅 | 完備的 AI 學習路線，最詳細的資源整理！

• 圖解word2vec(原文翻譯)

備注：本站qq群：865189078（共8個群，不用重復加）。

加入本站微信群，請加黃博的助理微信，說明：公眾號用戶加群。

總結

以上是生活随笔為你收集整理的斯坦福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。