Gilbert Strang是麻省理工学院数学教授，美国国家科学院院士和美国艺术与科学院院士，在有限元理论、变分法、小波分析及线性代数等领域卓有成就，著有多部经典数学教材，开设多门开放式课程，享有国际盛誉。本书是深度学习的导论，全面介绍机器学习的数学基础，阐述架构神经网络的核心思想，主要内容包括线性代数的重点、大规模矩阵的计算、低秩与压缩传感、特殊矩阵、概率与统计、**化、数据学习等。本书可作为数据科学方向的数学基础课程教材，也可供人工智能、深度学习领域的科研人员和工程技术人员参考。

"作者：吉尔伯特·斯特朗（Gilbert Strang），美国享有盛誉的数学家、教育家，在有限元理论、变分法、小波分析和线性代数等方面皆有研究贡献。他对数学教育做出了许多贡献，出版了十几部数学教科书和专著。曾任麻省理工学院数学系 MathWorks 讲座教授。主要讲授“线性代数导论”“计算科学与工程”等开放式课程，获得广泛好评，是美国数学开放教学的领军人物。曾任美国数学联合政策委员会主席、美国数学委员会主席、美国国家科学基金会(NSF)数学顾问小组主席、国际工业与应用数学理事会(ICIAM)理事、阿贝尔奖委员会委员等职务。2009年当选美国国家科学院院士。在麻省理工学院任教61年后，他开设的MIT 18.06课程（线性代数）在OCW（开放式课程）平台上浏览量超过1000万次。 译者余志平，清华大学集成电路学院教授、博士生导师，IEEE Life Fellow（国际电气与电子工程学会终身会士）。曾任清华大学微电子学研究所副所长、清华大学微电子学冠名教授（由Pericom、Novellus公司赞助）。在斯坦福大学攻读博士学位及其后工作期间，为多家集成电路企业（如HP、Intel、台积电）提供咨询并参与研究项目。参与组织的熊猫集成电路设计系统获1993年国家科技进步一等奖。专业领域是集成电路计算机辅助设计（ICCAD），主要集中在半导体器件模拟。在 CMOS 射频电路设计与纳电子学研究领域深耕多年，发表学术论文多篇，合著中英文专著三部。李铁夫，清华大学集成电路学院副研究员、院长助理，北京量子信息科学研究院兼聘研究员，日本理化学研究所客座研究员。 2003 年、2009 年分别于清华大学电子工程系和微电子学研究所获得学士、博士学位。主要研究领域为超导量子计算、微纳机电系统和量子接口器件，在国际知名期刊和会议上发表论文60余篇。马辉，清华大学数学科学系教授、博士生导师。2000年于北京大学数学科学学院获得理学博士学位，先后在清华大学、美国马萨诸塞州州立大学Amherst分校作博士后研究。2004年6月起在清华大学任教。主要研究领域为微分几何，特别在拉格朗日子流形的几何与拓扑、超曲面的几何等方面做出了富有意义的研究成果。"

　　 译者序 在现代线性代数的教育中，有两个名字不得不提：计算机程序语言 MATLAB和 MIT的教授 Gilbert Strang（吉尔伯特·斯特朗）。MATLAB的全名是 Matrix Laboratory（矩阵实验室），是世界范围使用最广的线性代数高效计算平台；而斯特朗教授自 1976年出版《线性代数及其应用》（Linear Algebra and its Applications）教科书以来，其著作同样风靡全球，是全球大学课程普遍采用的基础教材。 2012年以来，人工智能、机器学习被卷积神经网络（ Convolutional Neuro-Network，CNN）再次掀起研究热潮，进而进入深度机器学习时代，触发了目前的通用人工智能（ Artificial General Intelligence，AGI）的大发展。斯特朗教授敏感地觉察到这个新动向，在 2019年就出版了《线性代数与数据学习》（随后多次重印），明确将数据学习与神经网络和线性代数联系在一起，给机器学习打下了坚实的数学基础。 本书中提及的一些概念如低秩矩阵、压缩传感、优化算法中的随机梯度下降法及背向传播等，对理解机器学习的工作原理大有禆益。书中也给出了一些截至 2021年的（包括数据分析优化在内）参考书，供读者深入研究。 在此，我们将本书作为机器学习与通用人工智能的数学基础教材推荐给广大读者。 余志平李铁夫马辉 2024年 4月于清华大学 深度学习与神经网络 线性代数、概率论 /统计学和最优化理论是机器学习的数学支柱，在本书中相关的章节将出现在对神经网络架构的讨论之前。但是...