我正在学习线性代数(最近开始)，并很好奇它在机器学习中的应用，我在哪里可以读到它？
谢谢
最佳答案
线性代数为大多数机器学习算法提供了计算引擎。
例如，可能是ML最显眼和最频繁的应用
是推荐引擎。
除了数据检索外，这些算法的真正症结通常是
“重建”用作这些引擎的输入的稀疏数据。
提供给Amazon.com基于用户的R/E的原始数据(可能)是海量的
数据矩阵，其中用户是行，其产品表示
在列中。因此，要有机地填充此矩阵，每个客户都必须
购买Amazon.com出售的每种产品。这里使用基于线性代数的技术。
当前使用的所有技术都涉及某种类型的矩阵分解，这是基本
一类线性代数技术(例如non-negative matrix approximation和
positive-maximum-margin-matrix approximation(警告链接到pdf!)可能是最常见的两个)
其次，许多(即使不是大多数)机器学习技术都依赖于数值优化技术。
例如，大多数监督的ML算法都涉及通过使新生分类器计算出的值与最小化之间的差值最小化来创建经过训练的分类器/回归器
训练数据的实际值。这可以迭代地完成，也可以使用线性代数完成
技术。如果是后者，则该技术通常是 SVD 或某些变体。
第三，基于光谱的分解 --PCA(主要成分分析)
和内核PCA-也许是最常用的降维技术，
通常应用于数据流中ML算法之前的预处理步骤中，
例如，在Kohonen map 中经常使用PCA实例来初始化
格子。这些技术的主要见解是协方差矩阵(从原始数据矩阵准备的，在主对角线上向下为零的正方形，对称矩阵)的特征向量为单位长度，并且彼此正交。
关于machine-learning - 线性代数在机器学习中的应用，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/5943611/