1樓：決策不拍頭
需要基本的概率論、線性代數和微積分的基礎即可，我已經對此書重難點進行了詳細講解及公式推導，詳見b站：
嗶哩嗶哩乾杯~ Bilibili
2樓：隊長別開槍是我
概率論與數理統計，線性代數，概率分布的向量表述，部分高等概率、最優化、數學規劃的知識，凸優化，向量微分，高等數學中的多變數極值問題，泰勒展開的向量形式，貝葉斯統計等等。
暫時能想到的就這些了，感覺自己在機器學習裡遇到的數學問題，大多都涉及以上範圍。
3樓：小熊
基礎數學知識，尤其是微分導數這塊，然後還有線性代數和簡單的矩陣分析知識，再加上一點概率論就可以了。基本上理工科的話，學完大一的所有數學課程就足夠了，遇到不懂的查資料網上都能查到。
4樓：流淌之語
好吧，最近正好在看這本書，簡單回答下。學習本書需要用到高等數學和最優化方法，概率論，線性代數。其中最優化方法是建立在高等數學和線性代數的基礎之上的。
大概就這幾門。當然了，最基本的資料結構知識肯定也要懂的。所以總體來說，這門課總體要求高是由於交叉學科比較多導致的。
李航《統計學習方法》中的Adaboost例項解析（例子8 1）中zm（規範化因子）怎麼求啊？
路飛 想請教您個問題，後邊權值怎麼計算的我明白，但是在進行訓練的時候訓練集和權值怎麼結合的我不大明白，拿第一步來說是怎麼實現訓練集權值是按D1分布的？迭代到第二次，權值變化了D2，分類器的輸入 訓練集 不是也得變麼，那他是怎麼實現訓練集按照D2分布的呢？ 天天 問題解決啦。用python編了乙個小程...
如何理解《統計學習方法》中提到的「複雜的模型有較小的先驗概率，簡單的模型有較大的先驗概率」？
劉大彥 是不是我看的版本有問題，我看的版本裡說的正好相反啊，書裡說可以假設複雜的模型有較大的先驗概率，簡單的模型有較小的先驗概率。 SleepyBag 簡單的模型很可能靠譜 先驗概率大 複雜的模型很可能不靠譜 先驗概率小 所以即使某個簡單模型對於我們看到的資料不如某個複雜的模型，這個簡單的模型也更有...
高效的學習方法有哪些？
是唐兔兔呀 高效的學習方法能讓我們的成績更上一籌，同時，對於自己以後的成長也有諸多幫助，高效的學習方法是我們學生時代都想擁有的乙個東西，聽說，掌握了高效的學習方法之後，自己的各科成績就能夠提公升了，而不是成為瘸腿科目。高效的學習方法有很多，比如，思維導圖的方法，聯想記憶的方法，等等。這些方法只要都利...