我具有计算机编程和基本数论方面的背景，但没有进行过实际的统计学培训，并且最近“发现”了一系列技术的惊人领域实际上是一个统计领域。看来矩阵分解，矩阵完成，高维张量，嵌入，密度估计，贝叶斯推断，马尔可夫分区，特征向量计算，PageRank都是高度统计技术，并且使用此类事物的机器学习算法会使用大量统计数据。
我的目标是能够阅读讨论此类问题的论文，并实现或创建算法，同时了解所使用的符号，“证明”和统计参数。我猜最难的是遵循涉及矩阵的所有证明。
哪些基本论文可以帮助我入门？还是一本值得练习的好教科书？
具体来说，我想完全理解的一些文章是：
1
您是否已经熟悉矩阵，例如通过应用线性代数课程，或者这是您要学习的部分？我想说的是，您给出的清单的前半部分是在统计中很重要的主题，而不是高度统计的技术（这使我朝相反的方向发展）。在推荐书籍中，这里有一些用于学习统计机器学习的问题。我建议您提供一个或两个您想了解的特定论文的示例；这将有助于更好地集中您收到的答案。
—
主教
是的，通过线性代数熟悉矩阵，并且对向量空间，基，范数的概念很熟悉，但是尽管我对Gram-Schmidt正交化和未优化的QR算法相当清楚，但我并不完全了解LU分解。尚不清楚他们为什么工作。同样，我不理解人们如何在不对特征矩阵执行特征向量算法的情况下得出随机矩阵的特征向量。
—
Cris Stringfellow