1樓：家裡有只肉丸子
我最近幾年也在研究機器學習和深度學習，但主要研究方向是醫療領域應用，對於演算法開發涉及不多。
想要弄明白機器學習要補什麼數學知識，首先要搞明白機器學習一般涉及哪些數學知識。
我稍微舉例幾個常見機器學習演算法以及大概涉及哪些知識，屬於哪門課程
貝葉斯分類器：貝葉斯定理，極大似然估計——概率論、數理統計主成分分析：協方差矩陣，特徵值與特徵向量——線性代數隱馬爾可夫模型：
條件概率，極大似然估計——概率論、數理統計條件隨機場：條件概率——概率論交叉熵損失函式：交叉熵——資訊理論貝葉斯網路：
貝葉斯公式，圖——概率論人工神經網路：梯度下降法，鏈式法則——運籌學（數學規劃），微積分生成對抗網路：條件分布、Jensen-Shannon散度——概率論，資訊理論
這裡列舉的一些肯定還不完備，但是大家大致可以發現有幾門課程跟機器學習牽扯很多，比如線性代數、微積分、概率論、數理統計、資訊理論、運籌學
在我的工作實際中，我覺得如果系統補充數學基礎理論，那麼在此基礎上，應該把下列課程系統地學習一下：
線性代數：機器學習（深度學習）涉及大量矩陣運算，線性代數是重點
數值分析：這門課對線性代數是一種補充，一些實際工作中遇到的矩陣分解，誤差估計在這裡都會講到
微積分：這門課啥不用說了，高等數學的幾乎一切的起源
概率論+數理統計：這兩門課都需要學得比較紮實，機器學習可以解釋為在紛繁複雜的資料中找到一些規律，本質上也可以認為是一種概率問題
運籌學：涉及一些數學規劃，優化的演算法，我記得上學有一門課是數學規劃，也是類似的內容
資訊理論：這門課在很多機器學習和深度學習的公式裡常見，比如我們最常見的一種訓練目標函式——交叉熵損失函式，其原理來自於資訊理論裡面的資訊熵
至於一些答主說的測度論、實變、泛函，可能是我自己接觸演算法還是比較少，工作和研究中確實沒覺得用到。如果學有餘力，當然學習一下想必也是很好的。
另外，我讀書的時候學校還開過兩門課「機器學習」以及「人工智慧及應用」，裡面大雜燴一樣講了很多機器學習的數學理論和公式推導，像這種課程和教材其實可以作為補充，用啥學啥。
2樓：海賊
我的笨方法是，遇到問題就去回頭看。
內心要準備好，耐心慢慢看，告訴自己看不懂很正常，十遍也很正常，十天也很正常，目的是懂，不要在乎時間和效果，在乎進展。
這個過程雖然笨，枯燥，且不斷自我打擊，但走通了有幾個好的副收貨。
1 在不斷打擊下堅持下，會發現自己多熱愛機學2 學習能力及自信心大大成長加強
3 領悟了捷徑其實就是沒有捷徑，也就是我理解的效率哈
3樓：鐵心核桃
我是逼著自己學，每次學都假裝是要給別人講(實際上我也真的經常給別人講)，用自己的話複述每個細節，確保自己都懂了，每當完成一次學習，發現自己成了懂王，留下來一堆類似講稿的東西，巨有成就感。後來才知道這叫種方式還是某之名學者積極推崇的方法。
舉個例子，兩周前我開始寫知乎專欄了，有人看沒人看無所謂，就是逼自己，以更新專欄為名不斷努力學習，實際也是上面的思路。
昨天寫分布近似那篇寫到凌晨，挺爽。
研究生讀機器學習的哪個方向好？
大煎餅 通用的方向比較好，將來的出路比較多。從目前來看，卷積神經網路及其變體是最常用的。1 卷積神經網路卷積神經網路至今仍是影象識別領域最常用的演算法，主要包括卷積層 池化層等部分。卷積神經網路 2 殘差網路殘差網路是新增了跨層連線的卷積神經網路。殘差網路 3 殘差收縮網路針對強噪 高冗餘資料，殘差...
博士生在學習上會給研究生哪些忠告？
蟹藥，幾個挺實用的小點子分享給你蛤。如果是碩士的話，就跟前輩搞好關係，好好學習他們的經驗，特別是直系前輩，畢竟都是過來人，多少都還是有一些寶貴的經驗的。而且要從多個人的身上汲取經驗。假人之長以補其短。然後找個好工作畢業拉倒。 七月的雪 投入時間跟精力，不要想著會有什麼捷徑。無論是畢業，還是工作，大家...
如何看待研究生博士生叫自己導師為老闆？
Aqun 雙方的關係有這一稱謂也是很正常的，符合現在大多數的實際情況，但是有些過於利益化了，其實更應該關注的是導師帶給學生的經驗和指導，這個東西是很可貴的真的受用終生 當然前提是你別碰上個王Pan 這類的牛鬼蛇神。 楓林之夏 研究生會幫導師幹活兒，部分 導師會給學生發勞務費，所以形成了這種約定俗成的...