麻省理工学院(Massachusetts Institute of Technology,MIT)是美国一所研究型私立大学,位于马萨诸塞州(麻省)的剑桥市。麻省理工学院的自然及工程科学在世界上享有极佳的盛誉,该校的工程系曾连续七届获得美国工科研究生课程冠军,其中以电子工程专业名气最响,紧跟其后的是机械工程。其管理学、经济学、哲学、政治学、语言学也同样优秀。

VIP内容

【导读】MIT-Gilbert Strang教授讲解的线性代数奉为经典,在疫情期间85岁高龄的Strang教授对着摄像机出了新的课程:A 2020 Vision of Linear Algebra,老教授出神入化将许多人认为简单却是最基础的东西讲的出神入化。值得学习。

地址: https://ocw.mit.edu/resources/res-18-010-a-2020-vision-of-linear-algebra-spring-2020/index.htm

William Gilbert Strang,美国数学家,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,包括出版七本数学教科书和专著。斯特朗现任麻省理工学院数学系 MathWorks 讲座教授。主要讲授课程为线性代数入门(Introduction to Linear Algebra,18.06)和计算科学与工程(Computational Science and Engineering,18.085),这些课程都可在麻省理工学院开放式课程中免费学习。

线性代数

这六个简短的视频,录制于2020年,包含了Strang 教授关于教学和学习线性代数的主题推荐顺序的想法和建议。第一个主题叫做线性代数的新方法。关键是要从矩阵A的列向量开始然后用乘法Ax组合这些列向量。

这就引出了矩阵的列空间和独立列的概念,以及A= CR的因式分解,它能告诉我们很多关于A的信息。有了好的数字,每个学生都能看到相关列。

剩下的视频简要概述了整个课程:线性代数的全貌;正交向量;特征值和特征向量;奇异值和奇异向量。奇异值变得如此重要,它们直接来自于A'A的特征值。

你可以在Strang教授2019年的课程18.065 Matrix Methods in Data Analysis, Signal Processing, and Machine Learning的第一个视频演讲中看到这个新想法的发展。

视频地址:

YouTube: https://www.youtube.com/playlist?list=PLUl4u3cNGP61iQEFiWLE21EJCxwmWvvek "A 2020 Vision of Linear Algebra" by Gilbert Strang

Bilibili(爱可可老师):https://www.bilibili.com/video/BV1Ki4y147Kh

导论- 了解线性代数的新方式

Part 1- 矩阵的列空间与向量空间中的基

Part 2- 线性代数的 Big Picture

Part 3- 正交向量

Part 4- 特征值与特征向量

Part 5- 奇异值与奇异向量

课件:

成为VIP会员查看完整内容
0
36

最新论文

Speaker Recognition and Speaker Identification are challenging tasks with essential applications such as automation, authentication, and security. Deep learning approaches like SincNet and AM-SincNet presented great results on these tasks. The promising performance took these models to real-world applications that becoming fundamentally end-user driven and mostly mobile. The mobile computation requires applications with reduced storage size, non-processing and memory intensive and efficient energy-consuming. The deep learning approaches, in contrast, usually are energy expensive, demanding storage, processing power, and memory. To address this demand, we propose a portable model called Additive Margin MobileNet1D (AM-MobileNet1D) to Speaker Identification on mobile devices. We evaluated the proposed approach on TIMIT and MIT datasets obtaining equivalent or better performances concerning the baseline methods. Additionally, the proposed model takes only 11.6 megabytes on disk storage against 91.2 from SincNet and AM-SincNet architectures, making the model seven times faster, with eight times fewer parameters.

0
0
下载
预览
Top