Reinforcement Learning: An Introduction Second edition, in progress November 5, 2017 Richard S. Sutton and Andrew G. Barto The text is now complete, except possibly for one more case study to be added to Chapter 16. The references still need to be thoroughly checked, and an index still needs to be added. Please send any errors to rich@richsutton.com and barto@cs.umass.edu. We are also very interested in correcting any important omissions in the \Bibliographical and Historical Remarks" at the end of each chapter. If you think of something that really should have been cited, please let us know and we can try to get it corrected before the nal version is printed. The MIT Press Cambridge, Massachusetts London, England

An Introduction to Statistical Learning，英文原版，非扫描版，可以用电脑词典随时翻译。 Gareth James Daniela Witten Trevor Hastie Robert Tibshirani

国外非常好的有关有限元法的讲义，英文版 对有限元法的理论基础做了深入浅出的介绍，简单明了清晰，废话少

中文翻译Introduction to Linear Algebra, 5th Edition 2.4节 我将从基本事实开始。矩阵是一个数字或“元素”的矩形数组。当 A 是 m 行 n 列时，它是一个“m×n” 矩阵。若矩阵形状相同，则它们可以相加。它们可以乘上任意常数 c。以下是关于 3 × 2 矩阵的 A + B 与 2A 的例子：  1 2 3 4 0 0  +  2 2 4 4 9 9  与 2  1 2 3 4 0 0  =  2 4 6 8 0 0 。 矩阵加法完全就像向量加法一样——每次算一个元素。我们甚至可将列向量视为一个仅有一列的矩阵 （如此 n = 1）。矩阵 −A 来源于乘以 c = −1（反转所有符号）。A 加上 −A 得零矩阵，此时所有元素为 0。所有这些都只是常识。 行 i、列 j 的元素被称为 aij 或 A(i, j)。沿第一行的 n 个元素为 a11, a12, . . . , a1n。矩阵的左下角 元素是 am1 且右下角元素是 amn。行号 i 从 1 到 m。列号从 j 从 1 到

经典的DX11龙书，作者依然是Frank Luna，非常值得一看

包括两本算法导论的pdf，中文版是扫描版的，英文版是文字版的

中文翻译Introduction to Linear Algebra, 5th Edition 2.3节 本节给出了矩阵乘法的第一个例子。自然地，我们从包含许多 0 的矩阵开始。我们的目标是理解 矩阵的所作所为。E 作用于一个向量 b 或一个矩阵 A 来产生一个新向量 Eb 或一个新矩阵 EA。 我们的第一个例子将是“消元矩阵”。它们执行消元步骤。第 j 个方程乘以 lij 然后从第 i 个方程中 减去它。（这从方程 i 中消去 xj。）我们需要许多这样的简单矩阵 Eij，它针对主对角线下每个要消去的 非零元素。 幸运的是我们不会在后面的章节见到所有这些矩阵。它们是开始接触时的好例子，但它们太多了。 它们可以组合成一个一次做所有步骤的总体矩阵 E。最简洁的方式是将它们的逆 (Eij )−1 组合成一个 总体矩阵 L = E−1。以下是下一页的打算。 1. 弄清每一个步骤怎么就是一次矩阵乘法的？ 2. 将所有这些步骤 Eij 整合成一个消元矩阵 E。 3. 弄清每个 Eij 是如何由它的逆矩阵 Eij −1 逆转的？ 4. 将所有这些逆 Eij −1（按正确顺序）整合成

第二版介绍了各种各样的机器学习和深度学习算法和技术，通过现实应用加强。这本书通俗易懂，不证明定理，也不详述数学理论。我们的目标是在直观的层次上呈现主题，并有足够的细节来阐明底层的概念。这本书深入地涵盖了核心的经典机器学习主题，包括隐藏马尔可夫模型(HMM)，支持向量机(SVM)和聚类。其他机器学习主题包括k-最近邻(k-NN)、boosting、随机森林和线性判别分析(LDA)。基本的深度学习主题的反向传播，卷积神经网络(CNN)，多层感知器(MLP)，和循环神经网络(RNN)的深度覆盖。此外，还提出了一系列先进的深度学习架构，包括长短期记忆(LSTM)、生成对抗网络(GAN)、极限学习机(ELM)、残差网络(ResNet)、深度信任网络(DBN)、变形Transformers 双向编码器表示(BERT)和Word2Vec。最后，讨论了一些前沿的深度学习主题，包括退出正则化、注意力、可解释性和对抗性攻击。书中的大多数例子都来自信息安全领域，其中很多机器学习和深度学习应用都集中在恶意软件上。本文提供的应用程序通过说明在简单的场景中使用各种学习技术来揭开主题的神秘面纱。本书中的一些练习需要

知识图谱Knowledge Graphs- A Practical Introduction across Disciplines

算法导论 Introduction.to.algorithm 答案 全英文版的。。。