参加Jason的7天免费电子邮件崩溃课程（包含示例代码）。以下为内容更新。
七天mini课程规划： //教材已下载！
第01天: 机器学习的线性代数
第02天: 线性代数
第03天: 向量
第04天: 矩阵
第05天: 矩阵类型和运算
第06天: 矩阵分解
第07天: 奇值分解
Day 1: Linear Algebra for Machine Learning
（2020.01.28）
机器学习实践者应该加深对线性代数理解！ 理由如下：
- 你需要学习线性代数符号
你需要能够读写向量和矩阵符号。在书籍、论文和网站上都用向量和矩阵表示法描述了算法。 - 你需要学习线性代数算术
配合线性代数的符号是算术运算的执行。你需要知道如何加、减、乘标量、向量和矩阵。 - 你需要学习统计学的线性代数
为了能够阅读和解释统计，你必须学习线性代数的符号和运算。现代统计学使用线性代数的符号和工具来作为描述统计方法的工具和技术。从数据的均值和方差的向量，到描述多个高斯变量之间关系的协方差矩阵。（要复习的很多，简单review，后续用到再回来看~） - 你需要学习矩阵分解
建立在符号和算术基础上的是矩阵分解的思想，也称为矩阵分解。
你需要知道如何因式分解矩阵以及它的意义。矩阵分解是线性代数中的一个关键工具，在线性代数(如矩阵逆)和机器学习(最小二乘)中被广泛用作许多更复杂运算的元素。 - 你需要学习线性最小二乘法
你需要知道如何使用矩阵分解来解线性最小二乘。
这种类型的问题可以被定义为平方误差的最小化，称为最小二乘，并且可以用线性代数的语言重新定义，称为线性最小二乘。利用矩阵分解等矩阵运算可以在计算机上有效地求解线性最小二乘问题。
————————————————————————————————————
2020/2/8留
也许这个课程更完整，但是吴恩达的线性代数回顾更适合赶进度
Jason的课程以后需要再重启！
