Linear Algebra for Data Science, Machine Learning, and Signal Processing

Maksimer studenters engasjement og forståelse av matrismetoder i datadrevne anvendelser med dette moderne læreverket. Boken introduserer studenter for matriser i to innledende kapitler, før man går videre til avanserte emner som nukleærnorm, proximale operatorer og konveks optimalisering. Anvendelser som fremheves inkluderer lav-rangs approksimasjon, matrise-kompletering, delromlæring, logistisk regresjon for binær klassifisering, robust PCA, dimensjonsreduksjon og Procrustes-problemer. Boken, som er grundig testet i klasserommet, inneholder mer enn 200 flervalgsspørsmål som egner seg for interaktiv læring i timene eller som tester, samt oppgaver til hjemmelekse (med løsninger tilgjengelig for instruktører). Den oppfordrer til aktiv læring med engasjerende 'utforsk'-spørsmål, med svar på slutten av hvert kapittel, samt eksempler med Julia-kode for å demonstrere hvordan matematikken faktisk brukes i praksis. Et utvalg av beregningsnotater gir en praktisk læringsopplevelse for studentene.