線性代數與數據學習

本書是深度學習的導論，全面介紹機器學習的數學基礎，闡述架構神經網絡的核心思想，主要內容包括線性代數的重點、大規模矩陣的計算、低秩與壓縮傳感、特殊矩陣、概率與統計、最優化、數據學習等。本書可作為數據科學方向的數學基礎課程教材，也可供人工智能、深度學習領域的科研人員和工程技術人員參考。



吉爾伯特·斯特朗（Gilbert Strang），美國享有盛譽的數學家、教育家，在有限元理論、變分法、小波分析和線性代數等方面皆有研究貢獻。他對數學教育做出了許多貢獻，出版了十幾部數學教科書和專著。曾任麻省理工學院數學系MathWorks講座教授。主要講授“線性代數導論”“計算科學與工程”等開放式課程，獲得廣泛好評，是美國數學開放教學的領軍人物。曾任美國數學聯合政策委員會主席、美國數學委員會主席、美國國家科學基金會（NSF）數學顧問小組主席、國際工業與應用數學理事會（ICIAM）理事、阿貝爾獎委員會委員等職務。2009年當選美國國家科學院院士。在麻省理工學院任教61年後，他開設的MIT 18.06課程（線性代數）在OCW（開放式課程）平台上瀏覽量超過1000萬次。