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.

Matris-Vektör Denklemlerini Çözmeye Giriş ve Motivasyon

Ax = b’nin Anlamı

WNBA Verilerini Keşfetme

Matris-Vektör Denklemleri - Biraz Kuram

Bir Matris Neden Terslenemez?

Lineer Bir Sistemin Üç Olası Sonucu

Massey Matrisini Anlamak

Massey Matrisini Düzenleme

Massey Matrisini Tersine Çevirmek

Matris-Vektör Denklemlerini Çözme

Klasik Cebirle Bir Benzetme

2017 WNBA Reytingleri!

Şampiyon Kimdi?

Matris-Vektör Denklemleri için Diğer Hususlar

Matris-Vektör Denklemleri için Diğer Yöntemler

Düzenli Matris Tersine Alternatifler

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!

Intro to Eigenvalues and Eigenvectors

Interpreting Scalar Multiplication

Scaling Different Axes

Definition of Eigenvalues and Eigenvectors

Why "Eigen"?

Finding Eigenvalues in R

Scalar Multiplies of Eigenvectors are Eigenvectors

Computing Eigenvalues and Eigenvectors in R

How Many Eigenvalues?

Verifying the Math on Eigenvalues

Computing Eigenvectors in R

Some More on Eigenvalues and Eigenvectors

Eigenvalue Ordering

Markov Models for Allele Frequencies

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.


Matris-Vektör Denklemleri için Diğer Yöntemler

R ile Veri Bilimi için Lineer Cebir

Uygulamalı interaktif egzersiz