文章转载自公众号

机器学习初学者 ， 作者 机器学习初学者

Stanford cs229 manchine learning课程，相比于Coursera中的机器学习有更多的数学要求和公式的推导，课程全英文，基础材料部分还没有翻译。这个基础材料主要分为线性代数和概率论，而且针对机器学习课程做了优化，非常适合学习。我已经翻译完线性代数部分，放在github提供下载。(黄海广)

本文是斯坦福大学CS 229机器学习课程的基础材料的中文翻译翻译：黄海广 机器学习，需要一定的数学基础，机器学习从业者数学基础不扎实，只会用一些工具和框架，只会调参和用一些套路，相当于某些武术家只会花拳绣腿，外行人觉得很厉害，但实战起来一定是鼻青脸肿。

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

Stanford cs229 manchine learning课程，相比于Coursera中的机器学习有更多的数学要求和公式的推导，课程全英文，已经有人翻译了课程的内容(https://github.com/Kivy-CN/Stanford-CS-229-CN)

但是，基础材料部分还没有翻译。基础材料主要分为线性代数和概率论，而且针对机器学习课程做了优化，非常适合学习。

我已经翻译完线性代数部分，放在我的数据科学的github提供下载：

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

文件目录

1. 基础概念和符号

1.1 基本符号

2.矩阵乘法

2.1 向量-向量乘法

2.2 矩阵-向量乘法

2.3 矩阵-矩阵乘法

3 运算和属性

3.1 单位矩阵和对角矩阵

3.2 转置

3.3 对称矩阵

3.4 矩阵的迹

3.5 范数

3.6 线性相关性和秩

3.7 方阵的逆

3.8 正交阵

3.9 矩阵的值域和零空间

3.10 行列式

3.11 二次型和半正定矩阵

3.12 特征值和特征向量

3.13 对称矩阵的特征值和特征向量

4.矩阵微积分

4.1 梯度

4.2 黑塞矩阵

4.3 二次函数和线性函数的梯度和黑塞矩阵

4.4 最小二乘法

4.5 行列式的梯度

4.6 特征值优化

文件分为markdown版本和pdf版本，文件内容截图：

原始课程文件

翻译版本

线性代数已经翻译完毕，后面的概率论部分还在翻译中，请关注github的更新，近期将更新完。

本人水平有限，翻译并不完美。欢迎大家提交PR，对语言进行润色。

你不是一个人在战斗！

可以在我的数据科学的github提供下载：

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