我经常听到有人说，机器学习很难，到底怎么学更高效？
其实，我想说，机器学习本身没有多大难度，因为经过多年的积累后，很多规则已经成型了。对于我们来说真正难的，是机器学习背后的算法所涉及的基础数学原理，包括向量、矩阵等等。
我们可以来看下机器学习的整个知识体系。单从数学角度来看，这个覆盖范围非常广，有向量积分、矩阵分解等等，但最最核心的还是线性代数。所以说，不要再问我为什么自己学不会机器学习、人工智能了，因为你没有学好线性代数。
不过，你可千万不要觉得，学了线性代数之后，实际应用就只有机器学习。如果这么想，那就太局限了。
作为数学中最抽象的一门课，线性代数的应用十分广泛，是计算机很多领域的基础。比如，如何让 3D 图形显示到二维屏幕上？这是线性代数在图形图像学中的应用。如何提高密码被破译的难度？这个密码学问题，用线性代数中的有限向量空间也可以很好地解决。
掌握了线性代数这样的基础学科知识，我们其实就相当于有了数学这个利器，为其他领域的实际应用打下了非常好、非常扎实的基础。最简单、最直接的利益——你不仅可以在工作中进行算法调优，还能成为公司创新团队的主力。
这个时候，有些同学可能会说，线性代数对我好像没用。是的，如果你工作中除了 CRUD 就是处理各类字符串、链表、Hash 表，高中甚至初中数学就足够了。但只要你想「再往上走一步」，做任何一点带有创新性的技术，数学问题，往往会成为你的绊脚石。
我以前学习的时候，啃了不少线代相关的书，但大都是直接讲应用实践，再穿插了一些数学知识。从实践的角度切入，虽然入门容易，但缺点也显而易见的。这样学下来，只知道固定的应用场景，死记硬背几个知识点容易，但是数学底层知识不牢固，当真正遇到问题的时候，也只能干瞪眼了。
在技术领域里，我更推荐从底层基础概念开始，一步步往上走，一直到应用实践。推荐极客时间《重学线性代数》这个专栏，通俗易懂的语言，带你构建完整实用的线代知识框架，还详解 9 个机器学习中必备的线代核心点，并且，还会讲到线性代数在计算机很多其他领域的基础和应用，比如：图形图像、密码学等等，帮助大家更好地掌握工程应用中的线代知识。
????扫我的二维码，免费试读
结算用口令「happy2021」再减￥10
到手 ¥69，即将恢复￥99
我来介绍一下作者，也是非常牛了。朱维刚，毕埃慕（BIM）首席战略官、副总裁，前阿里云资深产品与技术专家，微软人工智能金牌讲师，长期专注于云计算和大数据领域。他拥有多年海外工作经验，自2008年开始从事云计算和大数据相关工作，曾带领国际团队主导比利时电信云 BeCloud，以及新加坡政府云 G-Cloud 的建设。
我为什么推荐这个专栏？
这个专栏，在我看来非常系统，从核心概念、完整框架，再到工程应用，确实可以带大家彻底学透线代，还有不少代码示例????
具体点说，分为 2 个模块：
基础篇，讲的是线性代数的理论基础。
先从最简单的线性方程组说起，在这基础上引出向量和矩阵，并通过矩阵来解线性方程组的不同方法。
然后，在向量和矩阵的基础上讲线性空间，因为在实践中，更多的是对集合的操作，也就是对线性空间的操作。线性空间好比是容器，它包含了向量，以及向量的运算。
最后，介绍解析几何，是解析几何使得向量从抽象走向了具象，让向量具有了几何的含义，比如：计算向量的长度、之间的距离和角度，这在机器学习的主成分分析PCA中是非常有用的。
应用篇，结合线性代数的基础理论，讲解线性代数在计算机科学中的应用。
所以从整体来说，“重学线性代数”可以满足你四个层次的需求：
第一层次：在研究应用领域时，希望能够理解数学公式的意义。
第二层次：在阅读线性代数参考书时，希望理解书中的内容。
第三层次：能够自己实践、自己计算。
第四层次：能够踏入大规模矩阵计算的世界。
话不多说，先给大家截取部分留言。老师很留言区很活跃，看看留言就能学到不少东西。
再给大家附上目录????
进入 DT 时代后，很多企业都开始着手做数字化转型。站在从业者的角度，有了数字化的基础数据，我相信，终有一天人工智能将定义下一代软件解决方案，这是一个巨大的机会。
找运营小姐姐要了优惠，抓紧机会。
结算用口令「happy2021」再减￥10
到手 ¥69，即将恢复￥99
????扫我的二维码，免费试读
点击「阅读原文」 一顿饭的钱，¥69 拿下线性代数。
