機器學習，需要一定的數(shù)學基礎，也需要一定的代碼能力。機器學習從業(yè)者數(shù)學基礎不扎實，只會用一些工具和框架，相當于某些武術家只會耍套路，外行人覺得很厲害，但實戰(zhàn)起來一定是鼻青臉腫。

　　如何在有限的計算資源下找出最優(yōu)解，在目標函數(shù)及其導數(shù)的各種情形下，應該如何選擇優(yōu)化方法;各種方法的時間空間復雜度、收斂性如何;還要知道怎樣構造目標函數(shù)，才便于用凸優(yōu)化或其他框架來求解，這些都需要一定的數(shù)學基礎。

　　可以說，數(shù)學基礎是機器學習從業(yè)人員的天花板。博士的代碼能力，不一定比碩士強，但數(shù)學基礎，往往要比碩士扎實很多。為什么機器學習從業(yè)人員學歷越高，往往工資越高，通常和掌握的基礎知識正相關。

　　機器學習最基礎的數(shù)學知識，可以分為高等數(shù)學、線性代數(shù)、概率論與數(shù)理統(tǒng)計三部分，我整理了三個數(shù)學基礎資料：

　　一、大學數(shù)學基礎精華

　　這個是考研考博時候整理的中文教材的資料，分為高等數(shù)學、線性代數(shù)、概率論與數(shù)理統(tǒng)計三部分：內(nèi)容如圖：

　　二、CS229數(shù)學基礎

　　黃博和石振宇博士翻譯了cs229的數(shù)學基礎，分為概率論和線性代數(shù)兩部分，是斯坦福系列課程的數(shù)學基礎資料。

　　三、數(shù)學家介紹

　　里面有很多數(shù)學公式是數(shù)學家的名字命名的，然而，好多人不知道那些數(shù)學家長什么樣子。于是，我們搜集了十位數(shù)學家的資料(排名不分先后)，看看大家能從圖片中叫出幾位數(shù)學家的名字來?

　　1.艾薩克·牛頓

　　英國著名物理學家，數(shù)學家，牛頓與戈特弗里德·威廉·萊布尼茨分享了發(fā)展出微積分學的榮譽。他也證明了廣義二項式定理，提出了“牛頓法”以趨近函數(shù)的零點，并為冪級數(shù)的研究做出了貢獻。

　　2.戈特弗里德·威廉·萊布尼茨

　　德國數(shù)學家，我們經(jīng)常用到“牛頓-萊布尼茨公式”。

　　3.約瑟夫·拉格朗日

　　法國數(shù)學家，機器學習經(jīng)常用到他創(chuàng)建的“拉格朗日對偶”、“拉格朗日中值定理”。

　　4.托馬斯·貝葉斯

　　英國數(shù)學家，“貝葉斯公式”在機器學習中使用非常廣泛。

　　4.西莫恩·德尼·泊松

　　法國數(shù)學家，數(shù)據(jù)分布中的“泊松分布”就是以他的名字命名。

　　5.布魯克·泰勒

　　英國數(shù)學家，我們經(jīng)常用到“泰勒公式”：

　　6.洛必達

　　法國數(shù)學家，在高等數(shù)學求極限的時候，我們經(jīng)常用到“洛必達法則”。

　　7.卡爾·弗里德里希·高斯

　　德國數(shù)學家，在機器學習中他的名字肯定不會陌生，比如“高斯分布”、“高斯核函數(shù)”。

　　8.伯努利

　　瑞士數(shù)學家，“伯努利分布” 是一種離散分布,有兩種可能的結果。1表示成功，出現(xiàn)的概率為p(其中0

　　9.柯西

　　法國數(shù)學家，為微積分理論的完善和嚴謹?shù)於酥匾A。許多著名的概念：柯西不等式、柯西極限、柯西序列等。

　　10.拉普拉斯

　　法國數(shù)學家，在概率論和數(shù)理統(tǒng)計中，“拉普拉斯分布”非常重要，該分布用于生物、金融和經(jīng)濟學方面的建模。

來自網(wǎng)站  版權歸原作者所有。