来源：公众号SIGAI
本文仅用于学习交流分享，如有侵权请联系删除
内容概要
在机器学习与深度学习中需要大量使用数学知识，这是给很多初学带来困难的主要原因之一。这些知识点是笔者长期摸索总结出来的，相信弄懂了这些数学知识，数学将不再成为你学好机器学习和深度学习的障碍。
本文可以配合《机器学习-原理，算法与应用》，清华大学出版社，雷明著一书阅读。在这本书中对有监督学习，聚类，降维，半监督学习，强化学习的主要算法进行了细致、深入浅出的推导和证明。对于所需的数学知识，单独用一章做了简洁地介绍。
本文列出的数学知识点已经写成了《机器学习的数学教程》，以后有机会的话可能会出版，以帮助大家学习。
所需的数学知识
在之前的公众号文章中已经说过，机器学习和深度学习中所用的数学知识主要来自以下几门课：
1.高等数学/微积分
2.线性代数与矩阵论
3.概率论与信息论
4.最优化方法
5.图论/离散数学
除此之外，有些理论和方法可能会用到更深的数学知识，如实变函数，泛函分析，微分几何，偏微分方程等，但对一般的方法和理论，这些知识不是必须的，因此我们可以忽略它们。对大多数人来说，没必要为了那些不常见的方法和理论而去学这些复杂的数学知识，这会大幅度的增加学习的成本与难度。
前面所列的5门数学知识中，矩阵论，信息论，最优化方法是国内理工科本科生基本上没有学过的。图论除了计算机类的专业之外，一般也不会学。如果想全面而系统的学好机器学习与深度学习，补上这些数学知识是必须的。