清华硕士爆料：这些才是机器学习必备的数学基础

现如今，计算机科学、人工智能、数据科学已成为技术发展的主要推动力。 无论是要翻阅这些领域的文章，还是要参与相关任务，你马上就会遇到一些拦路虎： 想过滤垃圾邮件，不具备概率论中的贝叶斯思维恐怕不行； 想试着进行一段语音识别，则必须要理解随机过程中的隐马尔科夫模型； 想通过观察到的样本推断出某类对象的总体特征，估计理论和大数定理的思想必须建立； 在统计推断过程中，要理解广泛采用的近似采样方法，蒙特卡洛方法以及马尔科夫过程的稳态也得好好琢磨； 想从文本中提取出我们想要的名称实体，概率图模型也得好好了解。 在看到这些专业术语后，很多人就开始打退堂鼓，然后马上选择放弃。 为什么会这样？ 因为机器学习所需数学知识有极高的学习曲线。 那么需要多少数学知识呢？宾夕法尼亚大学的计算机教授所写的《计算机科学相关代数学、拓扑学、微分学以及最优化理论》，就用 1900 页的篇幅讲解了相关的数学知识。 不要着急，不要害怕，继续往下看…… 划重点 01 为什么我要向你推荐它？ 我作为一个机器学习、自然语言处理方面的研究者和实践者，参与了大量涉及知识图谱、语义理解、智能问答等技术的工程和科研项目。我认为，有更简单、高效的方法可以让你掌握机器学习中所需的数学知识。 首先，集中力量、紧紧围绕机器学习核心算法中所涉及到的知识进行学习，做好精确打击。 然后，注重加强基础知识与算法、应用案例之间的联系，将理论和算法应用场景相互关联，形成学以致用的实践导向。 同时，运用好 Python 工具，做到和工程应用无缝对接，利用 Numpy、Scipy、Matplotlib、Pandas 等工具强化对知识的理解、提升工作效率

内容中包含的图片若涉及版权问题，请及时与我们联系删除