Di bab ini, Anda akan mempelajari objek-objek kunci dalam aljabar linear, seperti vektor dan matriks. Anda akan memahami mengapa objek-objek tersebut penting dan bagaimana interaksinya satu sama lain.

Motivasi

Membuat Vektor di R

Aljabar Vektor

Membuat Matriks di R

Operasi Matriks–Vektor

Kecocokan Matriks–Vektor

Perkalian Matriks sebagai Transformasi

Refleksi

Perhitungan Matriks–Matriks

Kecocokan Perkalian Matriks

Perkalian Matriks - Urutan Itu Penting

Pengantar Invers Matriks

Pengantar Aljabar Linear

Banyak algoritma Machine Learning bermuara pada penyelesaian persamaan matriks-vektor. Di bab ini, Anda mempelajari tujuan dari persamaan matriks-vektor dan cara menyelesaikannya di R.

Motivasi untuk Menyelesaikan Persamaan Matriks-Vektor

Makna dari Ax = b

Menjelajahi Data WNBA

Persamaan Matriks-Vektor - Beberapa Teori

Mengapa Suatu Matriks Tidak Dapat Diinvers?

Memahami Tiga Kemungkinan Hasil Sistem Linear

Memahami Matriks Massey

Menyesuaikan Matriks Massey

Membalik Matriks Massey

Menyelesaikan Persamaan Matriks–Vektor

Analogi dengan Aljabar Biasa

Peringkat WNBA 2017!

Siapa Juaranya?

Pertimbangan Lain untuk Persamaan Matriks–Vektor

Metode Lain untuk Persamaan Matriks-Vektor

Alternatif untuk Invers Matriks Biasa

Persamaan Matriks-Vektor

Operasi matriks bersifat kompleks. Analisis eigenvalue/eigenvector memungkinkan Anda memecah operasi ini menjadi operasi yang lebih sederhana untuk keperluan pengenalan citra, analisis genomik, dan lainnya!

Pengantar Nilai Eigen dan Vektor Eigen

Menafsirkan Perkalian Skalar

Menskalakan Sumbu yang Berbeda

Definisi Nilai Eigen dan Vektor Eigen

Mengapa "Eigen"?

Menemukan Nilai Eigen di R

Perkalian Skalar pada Vektor Eigen Tetap Merupakan Vektor Eigen

Menghitung Eigenvalue dan Eigenvector di R

Berapa Banyak Nilai Eigen?

Memverifikasi Matematika pada Nilai Eigen

Menghitung Eigenvector di R

Lebih Lanjut tentang Nilai Eigen dan Vektor Eigen

Pengurutan Nilai Eigen

Model Markov untuk Frekuensi Alel

Eigenvalue dan Eigenvector

“Big Data” lazim dalam data science dan penerapannya. Namun, redundansi dalam himpunan data ini bisa menjadi masalah. Di bab ini, kita mempelajari principal component analysis dan bagaimana cara menggunakannya untuk reduksi dimensi.

Pengantar Gagasan PCA

Apa Arti "Big Data"?

Menemukan Redundansi

Aljabar Linear di Balik PCA

Menjelajahi Kovarians

Standarisasi Data Anda

Perhitungan Varians/Kovarians

Analisis Eigen atas Data Gabungan

Di Mana Variansnya?

Melakukan PCA di R

Menskalakan Data Sebelum PCA

Merangkum PCA di R

Apakah Subsetting Mengubah Hasil?

Penutup

Principal Component Analysis

NFL Player dataset

WNBA Massey Matrix dataset

WNBA Point Differentials dataset

Aljabar linear adalah salah satu seperangkat alat terpenting dalam matematika terapan dan data science. Di kursus ini, Anda akan belajar bekerja dengan vektor dan matriks, menyelesaikan persamaan matriks-vektor, melakukan analisis eigenvalue/eigenvector, dan menggunakan principal component analysis untuk melakukan reduksi dimensi pada himpunan data dunia nyata. Semua analisis akan dilakukan di R, salah satu bahasa pemrograman paling populer di dunia.

Introduction to R

Kursus ini memperkenalkan aljabar linier: persamaan matriks-vektor, analisis eigen, dan PCA.

Aljabar Linear untuk Data Science di R

Mata kuliah ini merupakan pengenalan terhadap aljabar linier, salah satu topik matematika paling penting yang mendasari ilmu data.


Menafsirkan Perkalian Skalar

Aljabar Linear untuk Data Science di R

Latihan interaktif langsung