压缩文件的第一部分 书名：Elementary Linear Algebra with Applications (9th Edition) 作者：Bernard Kolman , David Hill Hardcover: 720 pages Publisher: Prentice Hall; 9 edition (May 13, 2007) Language: English 这是我找了很久都没有找到的。我只好买了一本扫描上来。注意，这本书和Howard Anton的书同名，但不一样，Anton的书网上随处可见，本书却没有，可能是用的人较少的缘故吧。

線性代數在機器視覺 機器人 機器學習的基礎數學

一本非常好的学习学习线性代数的外国书，很适用于初学者

贝叶斯线性回归 通过（正常）线性回归和贝叶斯线性回归对数据建模的示例程序。 并显示图表以比较这两者。 环境 Python 2.7.6 麻木 Matplotlib 跑步 $ python bayesian_lr.py 图形 绿色：正态线性回归 蓝色：贝叶斯线性回归 逻辑 功能大致如下： 使用“高斯分布”作为基函数。 假设 s = 0.1，c_i = [0.0, 0.1, ..., 1.0]。 (1) 正态线性回归 这些“欧米茄”可以通过这个方程求解。 (2)贝叶斯线性回归 后验分布表示如下。 后验分布是高斯分布，所以最可能的值是： 因此，可以通过计算 Mu_N 来找出函数。 这一次，我假设 alpha = 0.1，beta = 9.0。 Phi 是如下矩阵。 麻木 numpy.linalg.solve ：求解线性矩阵方程。 参考 numpy.dot ：标量积，内

贝叶斯线性模型 作者：Asher Bender 日期：2015年6月 许可证： 概述 该代码实现了 。 在贝叶斯框架下处理线性模型可以： 参数估计（线性模型的学习系数） 执行预测 选型 下图演示了这些功能，其中的任务是学习噪声函数的多项式逼近： 顶部子图显示了对数据增加复杂度（度）的多项式拟合后的对数边际似然。 对数边际可能性最高的模型由垂直红线标记。 与最大似然方法相比，贝叶斯模型选择的好处是最大化对数边际似然（模型证据）倾向于避免模型选择期间的过度拟合。 这是由于边际似然方程中的模型复杂性损失导致了模型更简单。 最佳模型将在数据拟合和模型复杂性之间取得平衡，从而实现更好的概括性。 底部子图显示了嘈杂的正弦数据（黑点）和来自模型的预测（红色实线），包括95％置信区间（红色虚线）。 背景强度图说明了模型中数据的后验可能性。 底部绘图中使用的模型是顶部绘图中建议的模型。 部分中

《Introduction to Applied Linear Algebra》是斯坦福大学的最新专为机器学习编写的数学一本通，这个是EE103 (Stanford) and EE133A (UCLA)课程中使用的教材。要求为高中的基础就可以开始学习。

Introduction to Applied Linear Algebra – Vectors, Matrices, and Least Squares

Coursera Machine Learning 第六周编程week6 ex5Regularized Linear Regression and BiasVariance编程全套满分题目+注释选做

Statistics Book Focused on Linear Regression Analysis, for Students of Sciences and Engineering.

分类(Classification)与回归(Regression)都属于监督学习，他们的区别在于： 分类：用于预测有限的离散值，如是否得了癌症（０，１），或手写数字的判断，是0,1,2,3,4,5,6,7,8还是9等。分类中，预测的可能的结果是有限的，且提前给定的。 回归：用于预测实数值，如给定了房子的面积，地段，和房间数，预测房子的价格。 LinearRegression 拟合一个带有系数 w = (w1, …, wp) 的线性模型，使得数据集实际观测数据和预测数据（估计值）之间的残差平方和最小。 其数学表达式为: 进行预测前查看一下数据集 https://scikit-learn.org