1樓：圖靈教育
去年谷歌發布了機器學習速成課，但學習此課程有前提條件，其中就有數學：
代數
變數、係數和函式
線性方程序，例如 y=b+w1x1+w2x2
對數和對數方程序，例如 y=ln(1+ez)
S 型函式
線性代數
張量和張量等級
矩陣乘法
三角學
Tanh（作為啟用函式進行講解，無需提前掌握相關知識）
統計資訊
均值、中間值、離群值和標準偏差
能夠讀懂直方圖
微積分（可選，適合高階主題）
導數概念（您不必真正計算導數）
梯度或斜率
偏導數（與梯度緊密相關）
鏈式法則（帶您全面了解用於訓練神經網路的反向傳播演算法）
線性代數
概率統計
微積分可以直接使用下面這套系列書，也可以參考學院派經典著作。
《程式設計師的數學》系列是最受程式設計師喜愛的數學參考書，圈粉無數，學習起來超輕鬆不說，主要是知識點講解夠透徹，將程式設計師所具備的數學思維傳達得一覽無餘。
介紹程式設計中常用的數學知識，二進位制計數法、邏輯、排列組合、遞迴等與程式設計密切相關的數學方法，分析哥尼斯堡七橋問題、漢諾塔、斐波那契數列等經典問題和演算法。
講解程式設計師必須掌握的各類概率統計知識，例證豐富，涉及隨機變數、貝葉斯公式、離散值和連續值的概率分布、協方差矩陣、多元正態分佈、偽隨機數等及各類應用。
通俗的語言和具象的圖表講解程式設計中所需的線性代數知識，涉及向量、矩陣、行列式、秩、逆矩陣、線性方程、LU分解、特徵值、對角化、Jordan標準型、特徵值演算法等。
學院派經典著作三本
線性代數
原版暢銷 30 多個國家，被 200 多所高校教材採納為教材，累計銷量 4 萬多冊。完全拋開行列式來描述線性運算元的基本理論，起點較低，不需要太多預備知識，而且特色鮮明。
本書強調抽象的向量空間和線性對映，內容涉及多項式、本徵值、本徵向量、內積空間、跡與行列式等。本書在內容編排和處理方法上與國內通行的做法大不相同，它完全拋開行列式，採用更直接、更簡捷的方法闡述了向量空間和線性運算元的基本理論。書中對一些術語、結論、數學家、證明思想和啟示等做了注釋，不僅增加了趣味性, 還加強了讀者對一些概念和思想方法的理解。
概率與統計
暢銷 60 年概率論經典教材，偉大概率學家威廉·費勒著，著名數學家胡迪鶴翻譯。
微積分豆瓣評分 9.8 分，一本將易用性與可讀性以及內容的深度與數學的嚴謹完美地結合在一起的經典著作，風靡美國大學的微積分複習課程，最受圖靈讀者喜愛的高等數學參考書
《普林斯頓微積分讀本（修訂版）》是作者多年來給普林斯頓大學本科一年級學生開設微積分的每週複習課。本書專注於講述解題技巧，目的是幫助讀者學習一元微積分的主要概念。深入處理一些基本內容，還複習一些主題。
本書不僅可以作為參考書，也可以作為教材，是學習一元微積分的絕佳指導書。
技術改變世界，閱讀塑造人生。
2樓：
我是學數學的，做的事情是機器學習相關的，一直在考慮學數學對從事機器學習相關有什麼幫助。
結論：幫助不大，但是學習數學讓你不怕那些複雜冗長的推理與證明，能讓你看下去、學下去，系統地知道是怎麼回事。不覺得機器學習用到了多少數學的知識，即使用到大部分也是 19.
5 世紀以前的東西。但是大部分人都被數學嚇到了吧。
建議：我假設大部分的學習者有一些基本的大學數學背景吧。不建議刻意的去看數學的東西，直接去看機器學習理論，看到不理解去查好了，大部分理論都是可以看明白的。最重要的，不要怕數學。
3樓：陳桂濤
機器學習中需要的數學知識，其實沒有想象中的那麼難，大學本科學到的高等數學，線性代數，數理統計與概率論就夠了，我也是在學習機器學習，深度學習，目前感覺這塊很有意思，也是一種技術方面的趨勢。你可以遇到知識點了再去攻克這個數學點，沒必要把那幾本書從頭到尾啃完。
4樓：DreamYun
矩陣論，可以參考張賢達的那本書，
凸優化，body的書
概率論，我覺得聽張志華老師在上交大給ACM班講的課，有兩門課；
微積分（感覺大學高等數學知識就夠了吧）
5樓：Sui Xin
要想學好機器學習，數學基礎十分重要。
1.最基礎的兩門數學課必須精學：高等代數（其中矩陣很重要）、數學分析。
2.統計學的兩門基礎課：概率論、數理統計（注意不是一門課）；統計學的入門課：
統計學導論（包括最基本的回歸、分類、神經網路、決策樹等，這些會在機器學習裡面再講，但那時候已經很深入了）。
3.一定的程式設計功底，比如R或者python。
4.一本機器學習的經典教材，比如bishop的《Pattern Recognition and Machine Learning》https://www.
amazon.cn/dp/0387310738/ref=cm_sw_r_cp_api_8xJRAbQXY2ERB（有電子版）
6樓：HughJin
瀉藥，就我們學校而言，機器學習的數學有關的課程有1. 微積分與線性代數
2.多面微積分與導向微積分（不知道翻譯的對不對）3.概率與統計
4.資料統計與建模
5.離散數學
機器學習應補充哪些數學基礎？
大煎餅 機器學習的方法多種多樣，其實可以先確定要學習哪種機器學習方法，然後再針對性地補充數學知識，例如 1 多層感知機 多層感知機是最簡單的神經網路演算法，涉及矩陣乘法 偏微分等方面的數學知識。多層感知機 2 卷積神經網路 卷積神經網路是多層感知機的改進，需要知道什麼是卷積運算。卷積神經網路 3 殘...
學習「微分流形基礎」需要哪些數學基礎（以及自學教材推薦）？
葉宇森 我大概也是數學基礎不夠的時候學了微分流形，現在後悔不已沒能在那門課上學到足夠的知識.因為是物理系出身的，所以我數學課上的沒有同期的數學系的人多 當時我連一些基本的內積空間都不會 但有一些概念，比如exterior derivative或者1 form在統計力學是很常用的 Lie Bracke...
學習物理化學需要的高等數學基礎有哪些？
洪武ea 不像結構化學裡的一些課題可以在純數期刊上發表，物理化學好像沒有多少數學 最低限度只需要多元微積分，尤其是逆對映定理和作為推論的隱函式定理，稍微高階的也不過是經典熱力學的幾何，非平衡的PDE理論，振盪反應的動力系統 根源大概是物化研究的東西本身缺乏對稱性 另外至少日本是把量子部分歸到物化裡的...