机器学习是否需要完整扎实的数学基础？sea的博客

线代高数概率论高数，微积分，线代，概率论，运筹学（优化）

微积分、线性代数、概率与统计、矩阵和数值分析、优化方法线代，微积分，概率论，数理统计，一些算法思想的数学基础

微积分，线性代数，概率与统计，最优化方法建议读5～6遍，哈哈

这是基础，高等点做研究的，需要学习randomdata，

概率论贝叶斯，微积分泰勒公式，泛函分析，pca，实变函数等等

理解线代，概率与统计，凸优化

基本上就可以完成一个机器学习项目了

如果你的目标是成为一位偏工程的engineer，那么其实数学基础没有那么重要；如果你的目标是成为一位优秀的AIResearcher，也希望将来在企业做研发的工作，那我想扎实的数学能力是必要的。但是不管是上述哪两个position，对于基本的学习算法的理论都是需要牢固掌握的，需要能够做到遇到问题，分析问题并且用相应的方式去解决问题。LZ在实验室里做研究，那么初期其实要求没有那么高，没有必要去刻意补充大量数学课，我个人觉得直接学习对应的机器学习/深度学习课程就好，这儿网上有很多有用的课程资源，比如CS224n，CS231，李宏毅机器学习等。认真坚持下来，在videos和slides学理论，在assignments中学习实践，我想慢慢就适应了这个学习过程！后面，直接研读你相应领域的文献即可，在不断复现论文的过程中试错、思考与成长！

研究的话，像搞优化理论的，涉及到变分推断的，随机过程的，等等，这些数学要求就会大于本科的那几门大家都要学的数学课。其他方向的话，学好微积分，线性代数，概率论勉强够用。搞cv，nlp的如果不是很硬核的话也不用学太多。然后是像ICML,NIPS,AAAI,IJCAI这些会议的数学要求比较高。具体到某个应用的会议，比如cvpr，eccv等，理论部分要求会低一些。文科转的话，可能基础那几门还要好好再学学，打牢基础。其实未来去向如果是工业界搞开发，以你现在的情况，会编程，能快速实现算法最重要。

原回答：不需要，我就会点高数线代概率论

我认为不需要，任何基于兴趣的入门都不是把全套理论学透了才开始干。我是先学的机器学习，然后惊叹于她逻辑的的精巧，爱上了机器学习，后来自己探索才发现，这些点其实是数学。所以我认为数学是机器学习的灵魂，但我们不需要完整扎实的理论才能去做。

如果是应用，可以先学会实现，现成的应该不难，很多东西都是做着做着才学会，也有可能你都做完了，做过很多遍就懂了。一些基本的数学概念还是要的。。。如果是搞机器学习基础算法研发的，这就不用问了，想来你应该不会搞这个

数学很重要！数学可以说是目前一切学科发展的基础。机器学习算法很在程度上都是用数学公式推导出来的，所以不会数学是不行的。当然我们在用机器学习算法时候，如果只是调参的话，确实用不到数学，在实际工作中，很多机器学习工程师都是依靠经验来做的，真正依靠数学的不多。工业界很多机器学习任务都是利用现有的理论模型和框架进行修改调整来完成的，并不需要特别深的数学功底，只要你能把别人的论文进行复现，能够达到非常不错的预期效果。在学术界数学公式是必须的，写论文没有数学公式做依据，得出结论总让人感觉不靠谱，学术界更侧重于创新，写论文时候基本要求都有创新这一点，必须得有一定的创新，否则就难毕业，或者投稿难中。看你是想往那方面发展了，其实也不必专门去拿一本数学书一直看，为避免本末倒置，还是可以先学习机器学习，在学习过程中遇到了哪些公式不理解，专门去寻找资料，在实际应用中学习数学能够达到更好的效果，专门学习数学可能数学还没学完就放弃了，或者渐渐忘记学数学的目的。

最低的要求，微积分，线代，概率论

往上还有统计，优化，博弈论

需要，感觉学学高数，概率论，线代也就一个多月吧，主要是把公式推推。

机器学习是一个多学科交杂的领域，涉及概率论、统计学、计算机、算法等，对于数学需要一定基础，比如在选择哪种算法，要考虑模型复杂度、参数选择、特征选择，估计参数的置信区间等等，都需要数学理论基础来解答。机器学习这个方向要做好是需要扎实的理论来实现，但是如果要入门机器学习不需要对数学有很大的恐惧，干中学也是一个方法，用到哪些理论深入学习，多做复盘，慢慢完善个人的理论体系，简言之，要做好是一定需要扎实的基础的。处。