In this chapter, you will learn about the key objects in linear algebra, such as vectors and matrices. You will understand why they are important and how they interact with each other.

Motivations

Creating Vectors in R

The Algebra of Vectors

Creating Matrices in R

Matrix-Vector Operations

Matrix-Vector Compatibility

Matrix Multiplication as a Transformation

Reflections

Matrix-Matrix Calculations

Matrix Multiplication Compatibility

Matrix Multiplication - Order Matters

Intro to The Matrix Inverse

Introduction to Linear Algebra

Many machine learning algorithms boil down to solving a matrix-vector equation.  In this chapter, you learn what matrix-vector equations are trying to accomplish and how to solve them in R.

Motivation for Solving Matrix-Vector Equations

The Meaning of Ax = b

Exploring WNBA Data

Matrix-Vector Equations - Some Theory

Why is a Matrix Not Invertible?

Understanding a Linear System's Three Outcomes

Understanding the Massey Matrix

Adjusting the Massey Matrix

Inverting the Massey Matrix

Solving Matrix-Vector Equations

An Analogy with Regular Algebra

2017 WNBA Ratings!

Who Was the Champion?

Other Considerations for Matrix-Vector Equations

Other Methods for Matrix-Vector Equations

Alternatives to the Regular Matrix Inverse

Matrix-Vector Equations

Matrix operations are complex. Eigenvalue/eigenvector analyses allow you
to decompose these operations into simpler ones for the sake of image recognition, genomic analysis, and more!

Özdeğerler ve Özvektörlere Giriş

Skaler Çarpmayı Yorumlama

Farklı Eksenleri Ölçekleme

Özdeğerler ve Özvektörlerin Tanımı

Neden "Eigen"?

R'de Özdeğerleri Bulma

Özvektörlerin Skaler Katları da Özvektördür

R'de Özdeğerler ve Özvektörleri Hesaplama

Kaç Özdeğer?

Özdeğerlerde Matematiği Doğrulama

R'de Özvektörleri Hesaplama

Özdeğerler ve Özvektörler Üzerine Biraz Daha

Özdeğer Sıralaması

Alel Frekansları için Markov Modelleri

Eigenvalues and Eigenvectors

“Big Data” is ubiquitous in data science and its applications.  However, redundancy in these datasets can be problematic.  In this chapter, we learn about principal component analysis and how it can be used in dimension reduction.

Intro to the Idea of PCA

What Does "Big Data" Mean?

Finding Redundancies

The Linear Algebra Behind PCA

Covariance Explored

Standardizing Your Data

Variance/Covariance Calculations

Eigenanalyses of Combine Data

Where's the Variance?

Performing PCA in R

Scaling Data Before PCA

Summarizing PCA in R

Does Subsetting Change Things?

Wrap-Up

Principal Component Analysis

NFL Player dataset

WNBA Massey Matrix dataset

WNBA Point Differentials dataset

Lineer cebir, uygulamalı matematik ve veri biliminin en önemli araç takımlarından biridir. Bu derste, vektörler ve matrislerle çalışmayı, matris-vektör denklemlerini çözmeyi, özdeğer/özvektör analizleri yapmayı ve gerçek dünya veri kümelerinde boyut indirgeme için temel bileşen analizini kullanmayı öğreneceksin. Tüm analizler, dünyanın en popüler programlama dillerinden biri olan R ile gerçekleştirilecek.

Introduction to R

Bu veri bilimi kursu, lineer cebire giriş niteliğindedir. Matris-vektör denklemleri ve PCA öğrenin.

R ile Veri Bilimi için Lineer Cebir

Bu ders, veri biliminin temelini oluşturan en önemli matematik konularından biri olan doğrusal cebire giriş niteliğindedir.


Özdeğer Sıralaması

R ile Veri Bilimi için Lineer Cebir

Uygulamalı etkileşimli egzersiz