Linear Algebra with Applications in Machine Learning : From Intuitive Understanding to Python Coding

個数：

Linear Algebra with Applications in Machine Learning : From Intuitive Understanding to Python Coding

Piran, Md. Jalil

ウェブストア価格 ¥14,639（本体¥13,309）
Springer Verlag, Singapore（2026/03発売）
外貨定価 US$ 64.99
ポイント 133pt

在庫がございません。海外の書籍取次会社を通じて出版社等からお取り寄せいたします。
通常6～9週間ほどで発送の見込みですが、商品によってはさらに時間がかかることもございます。
【重要ご説明事項】
1. 納期遅延や、ご入手不能となる場合がございます。
2. 複数冊ご注文の場合は、ご注文数量が揃ってからまとめて発送いたします。
3. 美品のご指定は承りかねます。

●3Dセキュア導入とクレジットカードによるお支払いについて

【入荷遅延について】
世界情勢の影響により、海外からお取り寄せとなる洋書・洋古書の入荷が、表示している標準的な納期よりも遅延する場合がございます。
おそれいりますが、あらかじめご了承くださいますようお願い申し上げます。

◆画像の表紙や帯等は実物とは異なる場合があります。

◆ウェブストアでの洋書販売価格は、弊社店舗等での販売価格とは異なります。
また、洋書販売価格は、ご注文確定時点での日本円価格となります。
ご注文確定後に、同じ洋書の販売価格が変動しても、それは反映されません。

製本 Hardcover:ハードカバー版／ページ数 404 p.
言語 ENG
商品コード 9789819551668

Full Description

This textbook is a comprehensive, application-driven guide to mastering linear algebra from foundational principles to advanced machine learning applications. Designed for students, researchers, and professionals in AI, data science, and engineering, the book blends mathematical rigor with practical implementation using Python and popular libraries such as NumPy, SciPy, Matplotlib, and scikit-learn.

Starting with vectors and matrices, the text builds toward systems of linear equations, transformations, determinants, eigenvalues, and vector spaces—then extends to orthogonality, matrix factorizations (e.g., SVD, QR, LU), tensors, and optimization. Each concept is introduced with clear geometric intuition, detailed examples, and step-by-step Python code. Chapters include visual illustrations, code outputs, and exercises that reinforce both theoretical understanding and computational skills. Real-world examples show how core concepts underpin algorithms in regression, PCA, image compression, neural networks, and more.

This book is suitable for either beginner aiming to grasp key ML concepts or an advanced learner exploring spectral methods and tensor decompositions, this book serves as a flexible resource, grounded in mathematics, empowered by code.

"Introduction to Linear Algebra for Machine Learning".- "Vectors".- "Matrices".- "Tensors".- "Linear Systems".- Linear Transformations".- "Determinants".- "Eigenvalues and Eigenvectors".- "Vector Spaces and Subspaces".- "Orthogonality".- "Matrix Decompositions: Factorization and SVD".- "Optimization and Gradients".- "Advanced Topics in Linear Algebra for Machine Learning".