数据科学和机器学习已经深度融合到我们生活的方方面面，而数学正是开启未来大门的钥匙。不是所有人生来都握有一副好牌，但是掌握“数学+编程+机器学习”绝对是王牌。这一次，学习数学不再是为了考试、分数、升学，而是投资时间、自我实现、面向未来。为了让大家学数学、用数学，甚至爱上数学，在创作这套书时，作者尽量克服传统数学教材的各种弊端，让大家学习时有兴趣、看得懂、有思考、更自信、用得着。
鸢尾花书有三大板块——编程、数学、实践。数据科学、机器学习的各种算法离不开数学，本册《矩阵力量》是“数学”板块的第2本，主要介绍常用线性代数工具。任何数学工具想要从一元推广到多元，比如多元微积分、多元统计，都绕不开线性代数。
本书共25章内容，可以归纳为7大板块：向量、矩阵、向量空间、矩阵分解、微积分、空间几何、数据。
本书在讲解线性代数工具时，会穿插介绍其在数据科学和机器学习领域的应用场景，让大家学以致用。
本书读者群包括所有在工作中应用数学的朋友，尤其适用于初级程序员进阶，大学本科数学开窍，高级数据分析师，人工智能开发者。

姜伟生，博士，勤奋的小镇做题家，热爱知识可视化和开源分享。自2022年8月开始，在GitHub上开源“鸢尾花书”学习资源，截至2023年5月，已经分享3000多页PDF、3000多幅矢量图、约1000个代码文件，全球读者数以万计。

绪论
第1板块 向量
第1章 不止向量
1.1 有数据的地方，必有矩阵
1.2 有矩阵的地方，更有向量
1.3 有向量的地方，就有几何
1.4 有几何的地方，皆有空间
1.5 有数据的地方，定有统计
第2章 向量运算
2.1 向量：多面手
2.2 行向量、列向量
2.3 向量长度：模，欧氏距离，L2范数
2.4 加减法：对应位置元素分别相加减
2.5 标量乘法：向量缩放
2.6 向量内积：结果为标量
2.7 向量夹角：反余弦
2.8 余弦相似度和余弦距离
2.9 向量积：结果为向量
2.10 逐项积：对应元素分别相乘
2.11 张量积：张起网格面
第3章 向量范数
3.1 LP范数：L2范数的推广
3.2 LP范数和超椭圆的联系
3.3 L1范数：旋转正方形
3.4 L2范数：正圆
3.5 L∞范数：正方形
3.6 再谈距离度量
第2板块 矩阵
第十章 矩阵
4.1 矩阵：一个不平凡的表格
4.2 矩阵形状：每种形状都有特殊用途
4.3 基本运算：加减和标量乘法
4.4 广播原则
4.5 矩阵乘法：线性代数的运算核心
4.6 两个视角解剖矩阵乘法
4.7 转置：绕主对角线镜像
4.8 矩阵逆：“相当于”除法运算
4.9 迹：主对角元素之和
4.10 逐项积：对应元素相乘
4.11 行列式：将矩阵映射到标量值
第5章 矩阵乘法
5.1 矩阵乘法：形态丰富多样
5.2 向量和向量
5.3 再聊全1列向量
5.4 矩阵乘向量：线性方程组
5.5 向量乘矩阵乘向量：二次型
5.6 方阵乘方阵：矩阵分解
5.7 对角阵：批量缩放
5.8 置换矩阵：调换元素顺序
5.9 矩阵乘向量：映射到一维
5.10 矩阵乘矩阵：映射到多维
5.11 长方阵：奇异值分解、格拉姆矩阵、张量积
5.12 爱因斯坦求和约定
5.13 矩阵乘法的几个雷区
第6章 分块矩阵
6.1 分块矩阵：横平竖直切豆腐
6.2 矩阵乘法第一视角：标量积展开
6.3 矩阵乘法第二视角：外积展开
6.4 矩阵乘法更多视角：分块多样化
6.5 分块矩阵的逆
6.6 克罗内克积：矩阵张量积
第3板块 向量空间
第7章 向量空间
7.1 向量空间：从直角坐标系说起
7.2 给向量空间涂颜色：RGB色卡
7.3 张成空间：线性组合红、绿、蓝三原色
7.4 线性无关：红色和绿色，调不出青色
7.5 非正交基底：青色、品红、黄色
7.6 基底转换：从红、绿、蓝，到青色、品红、黄色
第8章 几何变换
8.1 线性变换：线性空间到自身的线性映射
8.2 平移：仿射变换，原点变动
8.3 缩放：对角阵
8.4 旋转：行列式值为
8.5 镜像：行列式值为负
8.6 投影：降维操作
8.7 再谈行列式值：几何视角
第9章 正交投影
9.1 标量投影：结果为标量
9.2 向量投影：结果为向量
9.3 正交矩阵：一个规范正交基
9.4 规范正交基性质
9.5 再谈镜像：从投影视角
9.6 格拉姆-施密特正交化
9.7 投影视角看回归
第10章 数据投影
10.1 从一个矩阵乘法运算说起
10.2 二次投影+层层叠加
10.3 二特征数据投影：标准正交基
10.4 二特征数据投影：规范正交基
10.5 四特征数据投影：标准正交基
10.6 四特征数据投影：规范正交基
10.7 数据正交化
第4板块 矩阵分解
第11章 矩阵分解
11.1 矩阵分解：类似因式分解
11.2 LU分解：上下三角
11.3 Cholesky分解：适用于正定矩阵
11.4 QR分解：正交化
11.5 特征值分解：刻画矩阵映射的特征
11.6 奇异值分解；适用于任何实数矩阵
第12章 Cholesky分解
12.1 Cholesky分解
12.2 正定矩阵才可以进行Chy分解
12.3 几何角度：开合
12.4 几何变换：缩放→开合
12.5 推广到三维空间
12.6 从格拉姆矩阵到相似度矩阵
第13章 特征值分解
13.1 几何角度看特征值分解
13.2 旋转→缩放→旋转
13.3 再谈行列式值和线性变换
13.4 对角化、谱分解
13.5 聊聊特征值
13.6 特征值分解中的复数现象
第14章 深入特征值分解
14.1 方阵开方
14.2 矩阵指数：幂级数的推广
14.3 斐波那契数列：求通项式
14.4 马尔科夫过程的平稳状态
14.5 瑞利商
14.6 再谈椭圆：特征值分解
第15章 奇异值分解
15.1 几何视角：旋转→缩放→旋转
15.2 不同类型SVD分解
15.3 左奇异向量矩阵U
15.4 右奇异向量矩阵V
15.5 两个视角：投影和数据叠加
第16章 深入奇异值分解章
16.1 完全型：U为方阵
16.2 经济型：S去掉零矩阵，变方阵
16.3 紧凑型：非满秩
16.4 截断型：近似
16.5 数据