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，最近石振宇博士翻译完了概率论部分，我修改制作后放在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：线性代数（黄海广），概率论（石振宇博士）
审核修改：黄海广
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，这个github对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。
目前我们已经翻译完线性代数和概率论部分，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
备注：如果需要看原始英文文件，下载地址
原始英文文件下载（概率论）：（http://cs229.stanford.edu/summer2019/cs229-prob.pdf）
原始英文文件下载（线性代数）：（http://cs229.stanford.edu/summer2019/cs229-linalg.pdf）
概率论文件目录
1. 概率的基本要素
1.1 条件概率和独立性
2. 随机变量
2.1 累积分布函数
2.2 概率质量函数
2.3 概率密度函数
2.4 期望
2.5 方差
2.6 一些常见的随机变量
3. 两个随机变量
3.1 联合分布和边缘分布
3.2 联合概率和边缘概率质量函数
3.3 联合概率和边缘概率密度函数
3.4 条件概率分布
3.5 贝叶斯定理
3.6 独立性
3.7 期望和协方差
4. 多个随机变量
4.1 基本性质
4.2 随机向量
4.3 多元高斯分布
5. 其他资源
线性代数文件目录
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
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！
翻译完毕的pdf和markdown文件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