کتاب Practical Linear Algebra for Data Science

کتاب Practical Linear Algebra for Data Science (جبر خطی عملی برای علم داده: از مفاهیم اصلی تا برنامه‌های کاربردی با استفاده از پایتون) یک منبع کاملاً علمی و همچنین عملی برای یادگیری جبر خطی و پیاده‌سازی آن با استفاده از زبان برنامه‌نویسی پایتون است. این کتاب در 16 فصل علاوه بر تشریح مباحث نگرش خطی، آن را با پایتون پیاده‌سازی می‌کند.

در ادامه مقدمه‌ای از کتاب Practical Linear Algebra for Data Science را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Practical Linear Algebra for Data Science:

جبر خطی چیست و چرا آن را یاد بگیریم؟

جبر خطی تاریخچه جالبی در ریاضیات دارد که به قرن هفدهم در غرب و خیلی زودتر از آن در چین باز می‌گردد. ماتریس‌ها – صفحات گسترده اعداد در قلب جبر خطی – برای ارائه یک نماد فشرده برای ذخیره مجموعه اعداد مانند مختصات هندسی (این استفاده اولیه دکارت از ماتریس‌ها بود) و سیستم‌های معادلات (که توسط گاوس پیشگام بود) استفاده می‌شد. در قرن بیستم، ماتریس‌ها و بردارها برای ریاضیات چند متغیره از جمله حساب دیفرانسیل و انتگرال، معادلات دیفرانسیل، فیزیک و اقتصاد استفاده می‌شد.

اما اکثر مردم تا همین اواخر نیازی به توجه به ماتریس‌ها نداشتند. نکته اینجاست: کامپیوترها در کار با ماتریس‌ها بسیار کارآمد هستند. و بنابراین، محاسبات مدرن باعث ایجاد جبر خطی مدرن شد.

جبر خطی مدرن محاسباتی است، در حالی که جبر خطی سنتی انتزاعی است. جبر خطی مدرن به بهترین وجه از طریق کد و برنامه‌های کاربردی در گرافیک، آمار، علم داده، هوش مصنوعی و شبیه‌سازی‌های عددی آموخته می‌شود، در حالی که جبر خطی سنتی از طریق اثبات و تأمل در فضاهای برداری بی‌بعدی آموخته می‌شود. جبر خطی مدرن پرتوهای ساختاری را فراهم می‌کند که تقریباً از هر الگوریتم پیاده‌سازی شده بر روی رایانه‌ها پشتیبانی می‌کند، در حالی که جبر خطی سنتی اغلب خوراک فکری برای دانشجویان ریاضیات پیشرفته دانشگاه است.

به جبر خطی مدرن خوش آمدید.

آیا باید جبر خطی را یاد بگیرید؟ این بستگی به این دارد که آیا می‌خواهید الگوریتم‌ها و رویه‌ها را درک کنید یا به سادگی از روش‌هایی استفاده کنید که دیگران توسعه داده‌اند. من قصد ندارم مورد دوم را تحقیر کنم – استفاده از ابزارهایی که درک نمی‌کنید هیچ مشکلی ذاتی ندارد (من این را روی لپ تاپی می‌نویسم که می‌توانم از آن استفاده کنم اما نمی‌توانم از ابتدا بسازم).

اما با توجه به اینکه شما در حال خواندن کتابی با این عنوان در مجموعه کتاب‌های O’Reilly هستید، حدس می‌زنم که می‌خواهید بدانید الگوریتم‌ها چگونه کار می‌کنند یا می‌خواهید روش‌های محاسباتی را توسعه یا تطبیق دهید. بنابراین بله، شما باید جبر خطی را یاد بگیرید و نسخه مدرن آن را یاد بگیرید.

درباره کتاب Practical Linear Algebra for Data Science

هدف این کتاب آموزش جبر خطی مدرن است. اما این به خاطر سپردن برخی معادلات کلیدی و غلبه بر اثبات انتزاعی نیست. هدف این است که به شما یاد بدهیم چگونه در مورد ماتریس‌ها، بردارها و عملیاتی که بر اساس آن‌ها عمل می‌کنند فکر کنید.

شما یک شهود هندسی ایجاد خواهید کرد که چرا جبر خطی اینگونه است. و خواهید فهمید که چگونه مفاهیم جبر خطی را در کد پایتون با تمرکز بر برنامه‌های کاربردی در یادگیری ماشین و علم داده پیاده‌سازی کنید.

بسیاری از کتاب‌های درسی جبر خطی سنتی به منظور تعمیم از مثال‌های عددی اجتناب می‌کنند، از شما انتظار دارند که به تنهایی دلایل دشواری را استخراج کنید، و مفاهیم بی‌شماری را آموزش دهید که ارتباط کمی با کاربرد یا پیاده‌سازی در رایانه ندارند.

من این‌ها را به عنوان انتقاد نمی‌نویسم – جبر خطی انتزاعی زیبا و ظریف است. اما اگر هدف شما استفاده از جبر خطی (و به طور کلی تر از ریاضیات) به عنوان ابزاری برای درک داده‌ها، آمار، یادگیری عمیق، پردازش تصویر و غیره است، کتاب‌های درسی جبر خطی سنتی ممکن است مانند اتلاف وقت خسته‌کننده به نظر برسند که شما را گیج می‌کند. و نگران پتانسیل خود در زمینه فنی هستید.

بیشتر بخوانید: کتاب Mathematics of Convex and Linear Optimization

کتاب Practical Linear Algebra for Data Science با در نظر گرفتن دانش‌آموزان خودآموز نوشته شده است. شاید شما مدرک ریاضی، مهندسی یا فیزیک داشته باشید، اما باید یاد بگیرید که چگونه جبر خطی را در کد پیاده سازی کنید.

یا شاید شما در دانشگاه ریاضی نخوانده اید و اکنون به اهمیت جبر خطی برای تحصیل یا کار خود پی برده‌اید. در هر صورت، کتاب Practical Linear Algebra for Data Science یک منبع مستقل است. این تنها یک مکمل برای یک دوره مبتنی بر سخنرانی نیست (اگرچه می‌توان از آن برای این منظور استفاده کرد).

اگر در حین خواندن سه پاراگراف گذشته سر خود را به نشانه موافقت تکان می‌دهید، پس کتاب Practical Linear Algebra for Data Science قطعاً برای شما مناسب است.

اگر می‌خواهید به جبر خطی، با اثبات‌ها و کاوش‌های بیشتر در آن عمیق شوید، چندین متن عالی وجود دارد که می‌توانید در نظر بگیرید، از جمله جبر خطی خودم: نظریه، شهود، کد (Sincxpress BV).

سرفصل‌های کتاب Practical Linear Algebra for Data Science:

• Preface
• 1. Introduction
• 2. Vectors, Part 1
• 3. Vectors, Part 2
• 4. Vector Applications
• 5. Matrices, Part 1
• 6. Matrices, Part 2
• 7. Matrix Applications
• 8. Matrix Inverse
• 9. Orthogonal Matrices and QR Decomposition
• 10. Row Reduction and LU Decomposition
• 11. General Linear Models and Least Squares
• 12. Least Squares Applications
• 13. Eigendecomposition
• 14. Singular Value Decomposition
• 15. Eigendecomposition and SVD Applications
• 16. Python Tutorial
• Index

جهت دانلود کتاب Practical Linear Algebra for Data Science می‌توانید پس از پرداخت، دریافت کنید.