1樓：
矩陣論(線性代數，高等代數)
概率論與統計
優化論 (線性優化，非線性優化，統計優化)排隊論 (馬兒可夫過程)
博弈論演算法與資料結構
圖論計算理論
數論數學分析
近世代數
常微分方程
偏微分方程及數值解法
數值計算
複雜網路
計算幾何
傅利葉分析
小波分析
模糊數學
組合優化
遺傳演算法
貝葉斯網路
從以上選你需要的
想到再補充
2樓：Lyken
本科生來強答一波
現代數學是乙個龐大的體系，全學完是不可能的。假設題主已經學完了線代微積分概統這幾門基礎課，我推薦 MIT 的 Mathematics for Computer Science ，無論是搞工程還是做科研都可以滿足基本需求。課程大綱如下
Induction and Proofs
Number Theory
Graph Theory
Sums, Asymptotics and Recurrence.
Counting Rules
Probability, Random Variable, Expectation and Deviations.
Random Walk
圖形學數值分析：網課 Introduction to Numerical Analysis 或者 Richard Burden 的 Numerical Analysis (9780538733519): Richard L.
Burden, J. Douglas Faires: Books
[optional] ODE / PDE : ODE 推薦 Arnold 的， PDE 沒學好，不知道推薦啥
機器學習
數值分析：同上
統計學習：Introduction to Statistical Learning ，相比 PRML 是一本更適合入門的機器學習書。
[optional] 實分析：陶哲軒的那本
[optional] 凸優化：Boyd 的那本，啃完半本就差不多了。
計算理論 / 程式語言
3樓：
拋磚引玉強答。
線性代數、數值分析和優化是必修：
線性代數（Linear Algebra Done Right、MIT Strang 的課）。
數值線性代數（Numerical Linear Algebra - SIAM Bookstore），數值方法、數值差分方程（Randy LeVeque -- Finite Difference Methods for ODEs and PDEs）。根據需要還可以繼續上有限元。
數值方面的知識應該是大部分計算機人所忽視的。只知道線性代數是不夠的（而且，只學一遍也是不足以深刻認識的），必須再修數值線性代數才能入門現代的數值方法，建立理解（understanding）=直覺（intuition）＋理論（math）＋實現（code）的橋梁，並學會用線性空間的角度去看待問題。之後，還得了解優化的基本概念（具體的，書的前兩部分就足夠了），別推乙個SVM都寫一堆堆求和符號，或者連最基本的primal-dual關係都理解不來（SVM的dual就是乙個基本的quadratic programming）。
有了這些基礎，就能去做經典的計算機視覺和理解一些涉及優化的機器學習演算法了。
至於其他的圖論、概率論和統計什麼的，本科入門課後如何繼續高階，各人看情況修吧。
本人在讀非計算機研究生，想學習深度學習，需要從頭補習數學和計算機專業課嗎。還是直接看深度學習書籍？
上岸小哥 直接看深度學習書籍。如果你從頭開始學習會很麻煩的，而且內容巨大，更把握不住自己的研究重點。你可以從你的研究方向入手，去學校相應的書籍，並進行深度學習書籍比較好。 李旻 首先，深度學習這個話題就可以分很多種，對這個本人不怎麼了解，當時如果你做產品經理只要在那個職位上如果能夠用成本低，現有的庫...
計算機專業研究生哪個大學最好？
看你的研究方向了 清華 各個方向都很全，計算機方向廣而深，當之無愧的全國第一北大和交大 個人認為的第二檔，方向也較多，也很深入浙大 CAD實驗室全國頂尖，圖形學方向一騎絕塵，cv等方向也有做的南大 lamda實驗室在機器學習方向也是全國頂尖哈工大 擁有scir這個全國最大的自然語言處理實驗室，自然語...
物理研究生轉行計算機？
華南某所大學物理本科上海某所大學材料碩士畢業某企業有限元。現在即將入職某IT公司做後端但是是用某JVM平台相容的一種lisp方言。答主好運，另轉行要趁早。另外如果能有毅力堅持半年以上的建議選擇c 打基礎。我圖快上手才選py。其實我很後悔，沒有出國轉專業。補充一下，我還差的好遠。轉行確實意味著很多先前...