線性代數|

詳細課程內容:

這門詳盡的線性代數課程將引領您深入瞭解多個主題，包括機器學習中的主成分分析（Principal Component Analysis, PCA）、Python 實作的圖像分析、馬可夫鏈、SVD分解、LU分解、QR分解、特徵值和特徵向量、施特拉森演算法、可逆矩陣的判斷以及Gershgorin圓定理。

線性代數為電腦科學、資訊工程等領域的必修課程，其應用之廣泛，包含機器學習、深度學習、預測模型、電腦圖形處理以及加密系統等等。這堂線性代數課程內容包含基本的線性方程組的基本運算、向量空間、線性獨立、矩陣的可逆性、行列式、線性轉換、還有特徵矩陣以及特徵值的尋找，一步一步帶你認識所有重要的觀念、證明、運算過程與題目解答。不論你的數學基礎為何，都可以有系統性的認識線性代數中的重要理論、公式與計算原理。所有課程中所提到的公式與定理皆有證明過程與對應例子，讓學習有紮實基礎！

1. 使用Geogebra輔助空間向量的概念。
2. 機器學習中的降維演算法 - 主成分分析(PCA)
3. 矩陣的奇異值分解 (Singular Value Decomposition)
4. 判斷可逆矩陣的性質與線性獨立的集合。
5. 理解電腦圖形的處理與矩陣，設計對二維與三維圖形做變換的相對應矩陣。
6. 對矩陣做拆解，包含LU Decomposition, Eigenvalue Decomposition等等。
7. 使用Power Method, Shifted Inverse Power Method, Gershgorin Circle Theorem判斷eigenvalue的範圍與逼近值。
8. 學習Strassen's Algorithm。
9. 了解向量的空間投影、Grand-Schmidt Process、最小平方法在多項式函數的應用。

1. 對資料科學有興趣的開發工程師
2. 正在大學就讀資訊工程、電腦科學、資料科學、理工科、數學的學生
3. 對於演算法有興趣者
4. 想要學習資料結構與演算法的人
5. 想要轉職成為工程師的人
6. 不是資工本科系，但想要就讀或報考資工研究所的學生。