全球名校AI课程库(15)| Stanford斯坦福 · 线性代数与矩阵方法导论课程『Introduction to Applied Linear Algebra』

简介: 快速补充线性代数的必选课程!课程用了非常多的例子和图标,来直观地表示向量、矩阵与复杂世界的关系,并将数学转化为解决工程问题的能力。
ENGR108; Introduction to Applied Linear Algebra: Vectors, Matrices, and Least Squares; 线性代数与矩阵方法导论
🏆 课程学习中心 | 🚧 CS数学基础课程合辑 | 🌍 课程主页 | 📺 中英字幕视频 | 🚀 项目代码解析


课程介绍

线性代数,是数据科学高阶课程的前置课程,也是前沿热门应用领域的根基。数据科学、机器学习、人工智能、信号和图像处理、层析成像、导航、金融等等,都建立在数学的基础之上。如果你想快速补充线性代数的相关知识,ENGR108 这门课是非常好的选择!

ENGR108; Introduction to Applied Linear Algebra: Vectors, Matrices, and Least Squares; 线性代数与矩阵方法导论

ENGR108 (曾用名:EE103、CME103)是全球顶级院校斯坦福开设的以线性代数和矩阵论为主题的专业课程。不同于定理证明矩阵运算的传统内容,这门课程更直观,用非常多的例子和图标,来表示向量、矩阵与复杂世界的关系,并能够解决现实问题。

线性代数的相关知识,向量、矩阵与矩阵运算、线性拟合、范数、线性方程等,这门课都已覆盖,而且设计巧妙,结合了实际应用场景,将数学转化为解决工程问题的能力。

ENGR108; Introduction to Applied Linear Algebra: Vectors, Matrices, and Least Squares; 线性代数与矩阵方法导论

课程讲师 Stephen Boy,斯坦福教授,是目前全球讲授线性代数、矩阵论方向最著名的老师之一,也是高赞图书《Introduction to Applied Linear Algebra – Vectors, Matrices, and Least Squares(应用线性代数简介——向量、矩阵和最小二乘法)》、《Convex optimization(凸优化)》的联合作者。

ENGR108; Introduction to Applied Linear Algebra: Vectors, Matrices, and Least Squares; 线性代数与矩阵方法导论

《Introduction to Applied Linear Algebra – Vectors, Matrices, and Least Squares(应用线性代数简介——向量、矩阵和最小二乘法)》也是本门课程的教材。课程网站中有这本书的电子版!不仅如此,课件、视频、Julia实现代码等配套学习资源也特别到位。


课程主题

课程官网发布了课程主题,ShowMeAI 对其进行了翻译。

  • Linear functions(线性函数
  • Intro to Julia Tutorial(Julia 入门教程
  • Norm and distance(范数与距离度量
  • Clustering(聚类
  • Linear independence(线性无关
  • Matrices(矩阵
  • Linear equations(线性方程
  • Linear dynamical systems(线性动态系统
  • Matrix multiplication(矩阵乘法
  • Matrix inverses(逆矩阵
  • Regression(回归
  • Least squares classification(最小二乘法
  • Multi-objective least squares(多目标最小二乘
  • Constrained least squares(受约束的最小二乘


课程资料 | 下载

ENGR108; Introduction to Applied Linear Algebra: Vectors, Matrices, and Least Squares; 线性代数与矩阵方法导论

扫描上方图片二维码,关注公众号并回复关键字 🎯『ENGR108』,就可以获取整理完整的资料合辑啦!当然也可以点击 🎯 这里 查看更多课程的资料获取方式!

ENGR108; Introduction to Applied Linear Algebra: Vectors, Matrices, and Least Squares; 线性代数与矩阵方法导论

课程面向全网,开发了全套课程资料。ShowMeAI 对课程资料进行了梳理,整理成这份完备且清晰的资料包:

  • 📚 e-book:课程对应的电子书。
  • 📚 课件:Chapter 1-19的所有课件PDF版本。
  • 📚 作业: Stephen Boyd (课程讲师) 和 Lieven Vandenberghe 整理的课程练习题,共20多页,21章。

还有比这更适合学习的么!学起来吧朋友们,四舍五入我们也算是Stanford的学生了!


课程视频 | B站

🌍 B站 | 【双语字幕+资料下载】斯坦福ENGR108 | 矩阵论与应用线性代数(2020·完整版)

ShowMeAI 将视频上传至B站,并增加了中英双语字幕,以提供更加友好的学习体验。点击页面视频,可以进行预览。推荐前往 👆 B站 观看完整课程视频哦!


全球名校AI课程合辑

作者ShowMeAI内容团队
阅读原文https://www.showmeai.tech/article-detail/346

e9190f41b8de4af38c8a1a0c96f0513b~tplv-k3u1fbpfcp-zoom-1.image

目录
相关文章
|
2月前
|
机器学习/深度学习 人工智能 TensorFlow
倚天产品介绍|倚天性能优化—YCL AI计算库在resnet50上的优化
Yitian710 作为平头哥第一代ARM通用芯片,在AI场景与X86相比,软件生态与推理性能都存在一定的短板,本文旨在通过倚天AI计算库的优化,打造适合ARM架构的软件平台,提升倚天性能
|
2月前
|
人工智能 安全 数据挖掘
Pandas AI:Pandas与人工智能的结合,让你不再拘泥于如何使用pandas方法及处理语法
Pandas AI:Pandas与人工智能的结合,让你不再拘泥于如何使用pandas方法及处理语法
|
1月前
|
机器学习/深度学习 人工智能 算法
从300亿分子中筛出6款,结构新且易合成,斯坦福抗生素设计AI模型登Nature子刊
【4月更文挑战第12天】斯坦福大学研究团队在Nature子刊发表论文,展示人工智能如何从300亿个分子中筛选出6种新型抗生素候选分子,为抗药性问题提供新解决方案。利用深度学习算法,AI模型考虑化学结构及合成可行性,发现独特化合物,加速药物研发。然而,成功应用还需临床试验验证及克服安全性和耐药性挑战。AI技术在药物设计中的角色引起关注,强调平衡使用与基础科学研究的重要性。
16 1
从300亿分子中筛出6款,结构新且易合成,斯坦福抗生素设计AI模型登Nature子刊
|
2月前
|
机器学习/深度学习 人工智能 运维
【人工智能技术专题】「入门到精通系列教程」打好AI基础带你进军人工智能领域的全流程技术体系(机器学习知识导论)(二)
【人工智能技术专题】「入门到精通系列教程」打好AI基础带你进军人工智能领域的全流程技术体系(机器学习知识导论)
60 1
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
【人工智能技术专题】「入门到精通系列教程」打好AI基础带你进军人工智能领域的全流程技术体系(机器学习知识导论)(一)
【人工智能技术专题】「入门到精通系列教程」打好AI基础带你进军人工智能领域的全流程技术体系(机器学习知识导论)
83 1
|
19天前
|
人工智能 API
【AI大模型应用开发】【LangChain系列】实战案例6:利用大模型进行文本总结的方法探索,文本Token超限怎么办?
【AI大模型应用开发】【LangChain系列】实战案例6:利用大模型进行文本总结的方法探索,文本Token超限怎么办?
34 0
|
19天前
|
存储 人工智能 JSON
【AI大模型应用开发】【RAG优化 / 前沿】0. 综述:盘点当前传统RAG流程中存在的问题及优化方法、研究前沿
【AI大模型应用开发】【RAG优化 / 前沿】0. 综述:盘点当前传统RAG流程中存在的问题及优化方法、研究前沿
57 0
|
19天前
|
人工智能 Python
【AI大模型应用开发】【RAG评估】1. 通俗易懂:深度理解RAGAS评估方法的原理与应用
【AI大模型应用开发】【RAG评估】1. 通俗易懂:深度理解RAGAS评估方法的原理与应用
65 0
|
19天前
|
人工智能 开发框架 数据可视化
【AI大模型应用开发】【RAG评估】0. 综述:一文了解RAG评估方法、工具与指标
【AI大模型应用开发】【RAG评估】0. 综述:一文了解RAG评估方法、工具与指标
78 0
|
19天前
|
存储 人工智能 开发框架
【AI大模型应用开发】【AutoGPT系列】0. AutoGPT概念及原理介绍 - Agent开发框架及ReAct方法
【AI大模型应用开发】【AutoGPT系列】0. AutoGPT概念及原理介绍 - Agent开发框架及ReAct方法
23 0