又到了週末了，但小編的週六並不算週末。回到本次的話題上，這次小編給大家分享機器學習中的數學基礎該怎麼學。
首先給出小編的態度：機器學習中涉及的數學課程比較多，要想一下子去窮盡所有課程顯然也不現實，大可不必打好所有的數學基礎再去學機器學習，最好的做法是當你對機器學習本身的理解達到一定瓶頸的時候，你可以補一補一些相關的數學基礎之後再回去看機器學習的問題也許會更快的有所突破。
就拿小編來說吧，小編是先看了網易雲課堂上的吳恩達機器學習課程，該課程很淺顯易懂，並沒有涉及很深的數學知識，但對你理解機器學習有關知識很有幫助，可以幫你快速建立機器學習框架體系。
學完之後，小編就在慢慢啃周志華的《機器學習》一書，該書涉及的數學知識還是蠻多的，有的直接給出了結果，並沒有給出中間的推導過程。小編經常爲了一個公式的推導花去一上午的時間，但有的推導不出。所以這時候，小編就覺得要好好補補相關的數字知識了。
下面小編爲大家推薦數學基礎相關視頻課程。
1.線性代數
矩陣表示、矩陣運算、特徵根、特徵向量是基礎中的基礎，主成分分析（PCA）、奇異值分解（SVD）、矩陣的特徵分解、LU 分解、QR 分解、對稱矩陣、正交化和正交歸一化、矩陣運算、投影、特徵值和特徵向量、向量空間和範數（Norms），這些都是理解機器學習中基本概念的基礎。
國內的線性代數教材偏重於計算而忽視了線性空間，特徵值等基本概念闡述。就拿小編來說，雖然考研數學分數還行，但也只知道計算，對於相關概念和知識的應用知之甚少。
線性代數課程首推 MIT的 Gilbert Strang老爺子的課程。課程鏈接如下：http://t.cn/RmyqB2v。
2.矩陣求導
小編個人在學習機器學習的過程中對矩陣求導產生了極大的疑惑，後來發現有類似疑惑的同學也不少，同時由於矩陣求導貌似是一個三不管的地帶，微積分裏的多元函數求導貌似是講了點，矩陣分析可能也有涉及到的，但是缺乏一個統一的理論。但機器學習中好多優化問題最終都歸結到矩陣求導上。
相關課程鏈接：The Matrix Cookbook.(http://t.cn/RmyK6Od)。
3.概率論+統計
概率論+統計（很多數據分析建模基於統計模型）、統計推斷、隨機過程。可以毫不誇張的說，概率論+統計是機器學習的核心數學理論，前面提到的矩陣求導和線性代數實際上是扮演打工仔的角色。
相關課程鏈接：MIT的概率系統分析與應用概率Probabilistic Systems Analysis and Applied Probability(https://goo.gl/stzNFZ)，還有一個是中科大 概率論與數理統計(http://t.cn/RmyKd8W)。
機器學習中的數學當然不止以上，還有許多進階數學知識，比如數值計算、凸優化理論等，這些就靠大家去探索了。
關注微信公衆號【追夢程序員】後臺回覆關鍵字“math in ml”即可獲取對應的百度雲資源。
好了，本次的分享就到這裏，覺得對你有幫助，就點個贊吧。
