1樓: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,我們可以用纖維叢的概念去抽象這個問題,使用者特徵空間是基空間,使用者特徵拼接內容特徵合是全空間,但是如何利用微分幾何中已知的結論去優化推薦建模,還在探索中,但至少思考的空間更大一些了
2樓:潤寧
沒必要再讀個數學Master了,即使打算做機器學習(包括深度學習)理論方面的研究,數學專業本科學的已經完全夠了。如果打算做深度學習,建議讀個機器學習方向的Master,同時提高自己的程式設計能力(比如刷LeetCode)。
3樓:NLP小學生
看我的另乙個回答
學習優化演算法需要哪些數學基礎?
一般convex optimization課裡都會提到SGD,momentum,adam等演算法。所以我稍微偏一點點,提點convex optimization的材料。主要還是線代的東西居多,少量的概率和微積分。一學期下來感覺在幹的事情就是不斷迭代,然後考慮boundary能哪些條件下以多快的速度壓...
學習離散數學,需要哪些基礎?
馮文翰 題主題目和題目描述不符啊。大一上 高等數學 上 內容包括基礎微積分 微分方程等內容。個人感覺目的在於為之後的概率論和某些具體領域的電腦科學 比如數字影象處理 神經網路等需要和求導打交道的方向 打基礎。大一下 高等數學 下 內容包括多維積分等內容。個人感覺目的同上。離散數學 真正的計算機基礎課...
機器學習是否需要完整紮實的數學基礎?
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。 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...