斯坦福CS229机器学习课程的数学基础（概率论）翻译完成
Stanford cs229 manchine learning课程，相比于Coursera中的机器学习有更多的数学要求和公式的推导，课程全英文，基础材料部分还没有翻译。这个基础材料主要分为线性代数和概率论，而且针对机器学习课程做了优化，非常适合学习。我已经翻译完线性代数部分，最近石振宇博士翻译完了概率论部分，我修改制作后放在github提供下载。（黄海广）
翻译：线性代数（黄海广），概率论（石振宇博士）审核修改：黄海广
Stanford cs229 manchine learning课程，相比于Coursera中的机器学习有更多的数学要求和公式的推导，课程全英文，已经有人翻译了课程的内容（https://github.com/Kivy-CN/Stanford-CS-229-CN）
但是，这个github对基础材料部分还没有翻译。基础材料主要分为线性代数和概率论，而且针对机器学习课程做了优化，非常适合学习。
目前我们已经翻译完线性代数和概率论部分，放在我的数据科学的github提供下载：
https://github.com/fengdu78/Data-Science-Notes/tree/master/0.math/1.CS229
备注：如果需要看原始英文文件，下载地址
原始英文文件下载（概率论）：（http://cs229.stanford.edu/summer2019/cs229-prob.pdf）
原始英文文件下载（线性代数）：（http://cs229.stanford.edu/summer2019/cs229-linalg.pdf）
概率论文件目录
1. 概率的基本要素
1.1 条件概率和独立性2. 随机变量
2.1 累积分布函数2.2 概率质量函数2.3 概率密度函数2.4 期望2.5 方差2.6 一些常见的随机变量3. 两个随机变量
3.1 联合分布和边缘分布3.2 联合概率和边缘概率质量函数3.3 联合概率和边缘概率密度函数3.4 条件概率分布3.5 贝叶斯定理3.6 独立性3.7 期望和协方差4. 多个随机变量
4.1 基本性质4.2 随机向量4.3 多元高斯分布5. 其他资源
线性代数文件目录
1. 基础概念和符号
2.矩阵乘法
2.1 向量-向量乘法2.2 矩阵-向量乘法2.3 矩阵-矩阵乘法3 运算和属性
3.1 单位矩阵和对角矩阵3.2 转置3.3 对称矩阵3.4 矩阵的迹3.5 范数3.6 线性相关性和秩3.7 方阵的逆3.8 正交阵3.9 矩阵的值域和零空间3.10 行列式3.11 二次型和半正定矩阵3.12 特征值和特征向量3.13 对称矩阵的特征值和特征向量4.矩阵微积分
4.1 梯度4.2 黑塞矩阵4.3 二次函数和线性函数的梯度和黑塞矩阵4.4 最小二乘法4.5 行列式的梯度4.6 特征值优化文件分为markdown版本和pdf版本，文件内容截图：
本人水平有限，翻译并不完美。欢迎大家提交PR，对语言进行润色。
你不是一个人在战斗！
翻译完毕的pdf和markdown文件可以在我的数据科学的github提供下载：
https://github.com/fengdu78/Data-Science-Notes/tree/master/0.math/1.CS229
“机器学习初学者”是帮助人工智能爱好者入门的个人公众号（创始人：黄海广）
初学者入门的道路上，最需要的是“雪中送炭”，而不是“锦上添花”。
本站的知识星球（黄博的机器学习圈子）ID：92416895
目前在机器学习方向的知识星球排名第一（上图二维码）
往期精彩回顾