我是机器学习的新手，但不是很新，我知道一些简单的东西，比如K-means聚类和人工神经网络以及贝叶斯推理。 我想学习更多细节的机器学习，所以我开始阅读＆＃34;机器学习：一个概率的观点＆＃34;直到我开始章节＆＃34;高斯过程＆＃34;在那里我看到了很多特征分解以及如何使用对角协方差矩阵来帮助不要过度拟合...而我对此并不了解。 所以我该怎么做 ？我应该开始阅读一本完整的线性代数书还是应该专注于线性代数的某些主题，以便以概率的方式学习机器学习？
谢谢
答案 0 :(得分：2)
矩阵必须成为您的新名字。
说真的，现在很多机器学习都是纯粹的线性代数，涉及大量的矩阵运算。如果没有线性代数的合理知识，你会发现很难理解他们在写什么;但矩阵表示法允许将大量复杂性放入一个简短的精确公式中。
深度学习使用GPU卡很有效，因为它有很多很多很多矩阵乘法。没有线性代数，没有深度学习。
答案 1 :(得分：0)
线性代数是一个基石，因为机器学习中的所有东西都是向量或矩阵。点积，距离，矩阵分解，特征值等一直在上升。