1樓：古月風耳
上過大學基本都問題不大；缺什麼補什麼。現在和你之間上學的被動學習過程不一樣了。
當然如果機器學習要一直朝這個方向發展當然要打牢基礎；後面這個就可能是你的底層競爭力。
2樓：
個人之前有幸自學過一部分機器學習。貴圈內比較流行的一句話是「數學好不好不影響入門，但是決定了以後在行業內的天花板。」
這句話的確很真實，單純入門打打比賽，做一些簡單模型，抑或是在企業內搬磚也基本足夠，基本的數學基礎了解足夠，需要用時在去複習。然而如果想再機器學習領域長足發展，數學基礎還是相對比較重要，深度學習用到的微積分，資料基礎不紮實很容易暈頭轉向。
題主的情況，不建議一頭紮進數學基礎學習中，基礎理論太枯燥。建議可以根據研究的內容階段，給自己列乙個數學基礎補充計畫，逐漸將數學基礎補充起來。邊學邊用，這樣枯燥的基礎會比較容易理解學習。
遇到向量計算時，重點突破一下線性代數；遇到梯度計算時，重點突破一下微積分；遇到置信區間估算時，重點突破一下概率論。這樣各個擊破，最後將整個基礎（高數、現代、概率論）掃一遍即可，因為重點的知識已經在日常中重點突破過了，最後就是將整個體系串聯起來。
3樓：有析
取決於題主怎麼定義「基礎」。
如果數學基礎是指高中以及本科（任意非數學或統計專業的理工科）都會學到的數學知識，那我建議題主惡補一下，著重線性代數、微積分和概率論。這幾塊的知識在很多模型或演算法裡都會被用到。最簡單的比如線性回歸，你需要概率論知識來理解引數估計、p值和置信區間。
微積分則能幫助你理解大部分和梯度下降相關的知識，也包括backward propagation。線性代數，尤其是矩陣的各種運算和規則，則幾乎只要是多變數的模型，在運算中都會涉及。
但以上這些，如果題主不打算繼續讀博，那麼把這些數學知識學到大學考試70分的水平就可以了。目標並不是能手推各種公式和演算法，而是在你看到乙個新的公式或者演算法時，能大概知道它背後的原理是什麼。如果也能知道這樣的數學原理帶來的限制是什麼（比如，某些優化要求必須存在一階導），那在實際工作中，已經可以作為半個專家了。
除此以外，還有時間的話，可以再適當補充一下關於時間序列和bayesian（我發現一般的通識數學教育很少涉及這兩塊），就可以了。
也許一開始工作真的只是調包，但如果你的目標不僅僅是做乙個隨時可以被替代的初級developer，那麼這些知識將決定你能不能成長為指導別人、設計整體解決方案的團隊leader。
補習這些知識，另乙個好處就是能對數學上常見的一些tricks有個概念（比如adjusted R-squared，這個adjusted的理由和思路）。因為在實際設計商業solution的時候，常常也會需要設計一些KPI，有時候就需要你創意性的增加一些對這些KPI的generalization。（很多時候並不會正好有這麼乙個值可以被直接拿來用。
）至於其他更深更細的知識，只要遇到了再補就行了。因為真的惡補過，兩周之內不用也都是忘光的命運～
最後，如果基礎真的很差。建議除非是現在做的專案/研究要立刻用到某方面的深入知識，否則可以考慮先把這些基礎知識都了解個大概（again，目標不是「手推全書」 ，而是不再出現你沒聽過的名詞）。
4樓：Laiso
要的，首先高數就要求梯度和求導，做cv會要求泰勒展開等，nlp 現在是統計學的天下，所以概率論相關的知識（條件概率，期望，條件期望等）都要用到。線性代數更是無處不在。
5樓：霍離巽
我認為不需要，任何基於興趣的入門都不是把全套理論學透了才開始幹。我是先學的機器學習，然後驚嘆於她邏輯的的精巧，愛上了機器學習，後來自己探索才發現，這些點其實是數學。所以我認為數學是機器學習的靈魂，但我們不需要完整紮實的理論才能去做。
6樓：Shunjie
我也差不多是文轉理，你要像現在暑假有時間你就把edx MITx: 6.041x（概率），MIT 18.
02（多變數微積分），MIT 18.06（線代）給看了，沒時間那就不用全看，但是得用紙筆練一下向量和矩陣相關的計算，求偏導等等。慢慢來吧，我也才開始一年左右，雖然還沒完全搞明白，但是每學幾個星期都會驚訝於自己的進步，文章也是越看越明白。
建議你還是不要著急，有條理地補一補數學背景，文獻的話都可以先放一放，因為數學背景你還欠缺的話，文獻看個一知半解收穫可能也不是特別大。
7樓：劉曉彤
與其空談，不如看書，很多大部頭一上來都會有乙個數學章節，都是比較基礎的必備的知識，啃就是了
至於完整紮實，當然，誰都想有，各個學科都想有。不過話說回來，數學這個東西，自學的完整紮實確實有些困難，還是面向應用，面向問題吧。
一般的套路是自己給自己布置乙個任務，或者自己跟著乙個教程，走一波。其實歸根到底，機器學習不就是分類和回歸麼，結合你的領域，想乙個應用場景，琢磨著去實現即可。
（回答要寫好難啊……）
8樓：某某某
機器學習是乙個多學科交雜的領域，涉及概率論、統計學、計算機、演算法等，對於數學需要一定基礎，比如在選擇哪種演算法，要考慮模型複雜度、引數選擇、特徵選擇，估計引數的置信區間等等，都需要數學理論基礎來解答。
機器學習這個方向要做好是需要紮實的理論來實現，但是如果要入門機器學習不需要對數學有很大的恐懼，幹中學也是乙個方法，用到哪些理論深入學習，多做覆盤，慢慢完善個人的理論體系，簡言之，要做好是一定需要紮實的基礎的。
9樓：狗娃子
肯定呀紮實的數學基礎會讓你學起來不那麼吃力些。以後面演算法說不定還要讓你手推這些公式。
本人調包俠，什麼SVM、梯度優化演算法，人給你封裝好了，用的的時候直接調就好了，爽的一匹。
10樓：二猹樹
看具體到什麼樣的研究，還有要投的會議期刊型別。
研究的話，像搞優化理論的，涉及到變分推斷的，隨機過程的，等等，這些數學要求就會大於本科的那幾門大家都要學的數學課。其他方向的話，學好微積分，線性代數，概率論勉強夠用。搞cv，nlp的如果不是很硬核的話也不用學太多。
然後是像ICML, NIPS, AAAI, IJCAI這些會議的數學要求比較高。具體到某個應用的會議，比如cvpr，eccv等，理論部分要求會低一些。
文科轉的話，可能基礎那幾門還要好好再學學，打牢基礎。
其實未來去向如果是工業界搞開發，以你現在的情況，會程式設計，能快速實現演算法最重要。
11樓：汪德日
12樓：木葉夕
如果是應用，可以先學會實現，現成的應該不難，很多東西都是做著做著才學會，也有可能你都做完了，做過很多遍就懂了。一些基本的數學概念還是要的。。。
如果是搞機器學習基礎演算法研發的，這就不用問了，想來你應該不會搞這個
13樓：王浩
不需要完整紮實的數學基礎，也不可能有完整紮實的數學基礎，好多學數學的同學大學學了四年還沒紮實成體系，咱們就更不用奢望了。所以，機器學習需要用到的咱們搞懂就行。寫了個框架，摘錄了大佬們的內容，個人覺得抽出一天來弄懂這些基礎基本就可以啦。
數學基礎 · 語雀
原回答：不需要，我就會點高數線代概率論
機器視覺需要學習哪些數學知識？
機器視覺MV和計算機視覺CV是有區別的，機器視覺面向工業應用獲得影象中目標的幾何資訊 尺寸 面積 有無 位姿等 機器視覺的工程應用並不需要太多數學知識。而計算機視覺需要通過模式識別和概率統計等基礎。機器視覺中，僅僅是影象的儲存與矩陣相似而已。由於他的主要目標是獲得幾何資訊，更多的是畫素數的加減乘，以...
請問數學科班的用什麼機器學習書？
nyyyyW 答主不是數學出身，目前正在系統的讀Foundations of Machine Learning這本書，這裡是官方的網頁Foundations of machine learning。至少在我目前看來滿足題主問題裡 對於越嚴謹的數學理論推導越感興趣，喜歡學東西完整公理化 的表述。書的總...
深度學習需要多強的數學基礎？
機器意識 如果希望做開創性的研究，概率論 線性代數 微積分是不夠的，這些數學工具提供不了藍圖，需要去了解一些不那麼古老的數學領域，比如近世代數 微分幾何 泛函分析等。打個比方，研究五次方程求根問題，會中學數學是不夠的，你需要會伽羅華群和域擴張 工作中很多都是推薦問題，如果了解微分幾何，我們可以用纖維...