要做机器学习是不是非学数学不可？要学到什么程度，如何才能提高数学水平

举个例子，仅仅满足调用Python机器学习、深度学习的包，比如SK-learn、PyTorch，是不够的。为了调参，为了解释结果，也需要大家理解机器学习算法的底层数学知识。

这些数学基础大致可以分成如下几个板块：

1、微积分(比如向量微积分中的梯度)；

2、线性代数(比如向量空间、特征值分解、奇异值分解)；

3、概率统计(比如最小二乘法、多元统计、多元高斯分布、最大似然估计MLE、贝叶斯推断、最大后验估计)；

4、数值与优化(比如极值、数值微积分、拉格朗日乘子法、基于梯度的优化方法、遗传算法)；

为了学习深度学习，大家当然可以进一步学习随机过程、自动微分、信息论、图论等内容。

对于国内理工科同学来说，虽然数学三件套(微积分、线性代数、概率统计)学了很多数学工具，但是想要入门机器学习，现有的数学三件套的知识体系已经很落后“时代需求”。

那有没有适合现在的数学好书呢？那自然是有的！这里推荐两本吊打市面上大部分书籍的数学好书

文章中所有的数据和资料，可添加小助手无偿分享~
扫码添加小助手即可无偿获取~

也可以关注“AI技术星球”公众号，关注后回复“221C”获取。

第一本、《人工智能：数学基础》

Hala Nelson教授深耕数学领域十余年，擅长将抽象数学理论转化为能直接落地的实战工具！

全书以机器学习、深度学习、计算机视觉、自然语言处理(NLP)、强化学习等12大AI领域为脉络，逐层拆解数学内核；

它不仅包含人工智能在机器学习、深度学习、计算机视觉 、自然语言处理与金融等不同领域的不同应用；

还有从代数、线性回归、神经网络、注意力机制、图模型、反向传播等至关重要的数学主题。

第二本、《机器学习的数学》

这一套教材专为零基础设计，搭配逐章中文阅读笔记，将线性代数、概率统计等抽象数学概念转化为可落地的机器学习工具，彻底打破“数学难、英语难、应用难”三重门槛。

这本书包括了理解机器学习所需的所有数学知识，覆盖机器学习必备的6大模块——从矩阵分解(PCA降维)到梯度下降(神经网络训练)，从贝叶斯定理(分类模型)到优化算法(SVM对偶问题)，所有数学概念均绑定真实场景。

哪怕是对于第一次学习的人来说，书里的方法也非常益于建立应用数学概念的直觉和实践经验。

文章中所有的数据和资料，可添加小助手无偿分享~
扫码添加小助手即可无偿获取~

也可以关注“AI技术星球”公众号，关注后回复“221C”获取。