放假在家想寫寫機器學習系列的文章，除夕前先來開個頭，後面會一直寫下去，搞機器學習演算法也有一年多了，體會多少還是有一些的，這裡記錄在部落格中，一來為自己後面的面試做點儲備，二來是為了分享，因為很多都是從大家的部落格中去學習的，所以這裡也要將我理解的新的內容反饋出來，大家一起學習進步。
數學在計算機中的重要性不言而喻，這裡也不多說了，先在這裡羅列一下機器學習中涉及到的數學知識，以供大家自己能有思路有方法的學習機器學習相關的知識：
高等數學
常見函式求導
導數運算法則
復合函式求導
方向導數與梯度（難點）
凸集與凸函式
一元函式求極值
多元函式求極值（了解）
拉格朗日乘子法
泰勒公式展開
空間解析幾何和向量代數
線性代數
矩陣的定義，矩陣的轉置
單位矩陣，三角矩陣，對稱矩陣
向量內積，相關性
正交向量組，標準正交基，正交矩陣
特徵值分解
概率論事件的關係與運算
條件概率，全概率公式，貝葉斯公式
隨機變數的期望，方差
協方差，相關係數，協方差矩陣
概率分布：0-1分布，二項分布，高斯分布
極大似然函式估計
大數定律，伯努利大數定律，中心極限定理
對於上面的相關的內容大多數都已經總結了文件，放在自己的群檔案共享中，後面在寫機器學習演算法的時候。
機器學習所需要的數學知識
第2課 數理統計與引數估計 第3課 線性代數 第4課 凸優化 第5課 回歸 第6課 梯度下降演算法剖析 第7課 最大熵模型 第8課 pca svd lda linear discriminant analysis 第9課 聚類 第10課 決策樹和隨機森林 第11課 adaboost 第12課 svm...
機器學習 數學 機器學習涉及的數學知識
簡單總結 機器學習涉及的數學知識有 線性代數，概率論和統計學，多變數微積分，演算法和複雜優化，以及其他等。原文 在過去幾個月裡，有幾個人聯絡過我，說他們渴望進軍資料科學領域，使用機器學習 ml 技術探索統計規律，並打造資料驅動的完美產品。但是，據我觀察，一些人缺乏必要的數學直覺和框架，無法獲得有用的...
入門機器學習到底需要多少數學知識
還記得上個月的時候，準備學習機器學習的知識，想著線性回歸模型較簡單一些，那就從它開始吧。可是仔細一看裡面的知識包括矩陣 極大似然函式 求導等方面的知識，這些知識也只是大學的時候學習的，現在也早已還給了老師。於是開始搜尋入門機器學習需要哪些數學知識，應該怎麼去學，搜尋的結果表明，概率論統計 線性代數 ...