Álgebra lineal práctica para la ciencia de datos

Índice

A

• suma de vectores, Operaciones con vectores
  • geometría de la suma de vectores, Geometría de la suma y resta de vectores
  • suma escalar-vectorial, Suma escalar-vectorial
  • suma y multiplicación escalar-vectorial, Combinación lineal ponderada
  • producto punto vectorial, El producto punto vectorial
• método aditivo (creación de matrices simétricas), Creación de matrices simétricas a partir de matrices asimétricas
• matriz adjunta, Invertir cualquier matriz cuadrada de rango completo
• Instalador de Anaconda, Usar Python localmente y en línea
• ángulo (o dirección) de los vectores, Geometría de los vectores
• matrices
  • matriz como matriz 2D NumPy, Operaciones matriciales: Transponer
  • NumPy, NumPy
  • vectores como matrices NumPy, Creación y visualización de vectores en NumPy
• Promedio de vectores, Geometría de la multiplicación vectorial-escalar

B

• sustitución inversa, eliminación gaussiana, mínimos cuadrados mediante QR
• base, Base-Resumen
  • importancia en la ciencia de datos y el aprendizaje automático, Base
• conjuntos de bases, Bases
  • requisito de independencia lineal, Definición de Base
• vectores base, Diagonalización de una matriz cuadrada
  • espacio nulo, Indeterminación de signo y escala de los vectores propios
  • ortogonal, El gran cuadro de la SVD
• predicción del alquiler debicicletas (ejemplo)(ver predicción del alquiler de bicicletas en función del tiempo)
• Tipo booleano, Comparadores
• difusión, Agrupación k-Means
  • producto exterior versus, Producto exterior
  • difusión vectorial en Python, Difusión vectorial en Python

C

• Conjuntos de bases ...