怎么根据正定二次型求正定矩阵

本科的线性代数课程，侧重于运算。重点是：行列式和矩阵的基础内容，稍微涉及了实数域的线性变换、特征值与二次型。

而机器学习算法中，会使用到更多的矩阵知识，而这些知识是本科线代课程没有讲到的，比如：最小二乘、向量与矩阵的求导、酉矩阵、QR分解、酉等价、SVD分解、 矩阵、Jordan标准型、Hermite矩阵、Kronecker积、矩阵范数、正定矩阵、Gersgorin圆盘、广义逆等等内容。

可以说，机器学习的很多理论基础，就是建立在矩阵上，所以必须了解矩阵分析的知识才能彻底理解机器学习。

比如，主成分分析(principal Component Analysis, PCA) 实际上是一个基的变换，使得变换后的数据有着最大的方差，其计算就是使用SVD分解来完成。

关于矩阵分析的学习资料：

如果你不懂线性代数，建议先学一遍线性代数的知识，推荐

Sheldon Axler

的

《Linear Algebra Done Right》

(中文名：《线性代数应该这样学》)，这本书假设你只有基础的数学知识，适合作为自学用书

《Linear Algebra Done Right》英文版 下载地址：

百度云下载

，

备份下载

如果对线性代数有一定了解，学习矩阵分析前，建议先学习一本

只有43页

的小书

《The Matrix Cookbook 》

，这本书是一本字典型的书籍，把矩阵分析相关的名词介绍了一遍，还对很多重要的概念进行了推导，可以带你快速入门矩阵分析

《The Matrix Cookbook 》下载地址：

百度云下载

，

备份下载

深入学习矩阵分析，需要扎实地对每一个概念进行理解后，再去学后面的知识。推荐 Roger A. Horn的《矩阵分析》，这本书的第0章介绍了各种定义，之后的每一章从最基础的概念讲起，循序渐进，非常适合自学

《矩阵分析》中文版 下载地址：

百度云下载

，

备份下载