資料結構
網路
關係型資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝學
法學數學在機器學習工作中的作用
在嘗試理解一個跨學科領域（例如，機器學習）時，主要問題是如何多的數學是必要的，以及理解這些技術需要多少數學。
機器學習是關於數學的，它有助於計算從資料中可以獲得的收益以做出準確的預測。預測可以像從給定的一組影像中對狗或貓進行分類一樣簡單，或者根據過去的購買情況向客戶推薦哪些商品。因此，正確理解任何核心機器學習演算法背後的數學概念至關重要。這樣，它可以幫助您為您的資料科學和機器學習專案選擇合適的演算法。
機器學習基於數學需求，只要你能理解為什麼使用數學，它就很有趣。
機器學習中重要的數學概念
統計學
統計學是一個基本概念，每個有抱負的資料科學家都需要學習如何理解機器學習，同時處理諸如假設檢驗、邏輯迴歸、判別分析和分佈之類的概念。
假設你在學校裡學習統計學時遇到了困難。在這種情況下，你需要付出200%的努力來學習統計學的科學部分，因為這對於成為一名成功的資料科學家至關重要。更簡單地說，統計學是機器學習中數學的主要部分。
微積分
許多在學校不喜歡學習微積分的學生將會感到震驚，因為它是機器學習的必要組成部分。幸運的是，你不需要精通微積分；只需要學習和掌握微積分的基本原理。此外，你需要在模型構建過程中理解微積分在機器學習中的實際應用。
因此，如果你理解函式的導數如何在微積分中返回其變化率，你將能夠理解梯度下降的概念。在梯度下降中，我們需要找到函式的區域性最小值等等。如果你有鞍點或多個最小值，梯度下降可能會找到區域性最小值，而不是全域性最小值，除非你從不同的位置開始。資料科學中精通微積分的一些基本主題是——微分和積分微積分、偏導數、向量值函式、方向梯度、雅可比矩陣等等。
線性代數
理解如何構建線性方程對於建立核心機器學習演算法至關重要。這些將用於評估和觀察資料集，並且它也應用於像線性迴歸這樣的機器學習演算法。這些是理解用於機器學習的最佳化技術的必要概念。
我們使用線性代數來執行主成分分析（PCA），它用於降低資料的維數。基於線性代數的數學也廣泛用於神經網路中，用於處理和表示網路。你應該對基於線性代數的數學感興趣，因為它廣泛應用於資料科學。
但是，不要為此感到害怕，因為理解這些概念將非常重要。但是，你不需要成為線性代數專家就能解決大多數問題，對這些概念有紮實的理解就足夠了。如果一開始你難以應付數學，Marc Peter Deisenroth的《機器學習數學》是一本很好的書，可以幫助你開始這段旅程。
離散數學
離散數學關注的是非連續數，即最常見的整數。許多應用需要使用離散數。機器學習中的許多模型都是離散的。例如，神經網路具有整數個節點和連線，它不可能有0.65個節點或九分之一的連線。因此，構建神經網路的數學必須包含一個離散成分，即表示節點和連線數量的整數。
除非你希望處理關係域、圖形模型、組合問題、結構化預測等，否則你可以應付機器學習中離散數學的基礎知識。對於軟體工程專業的畢業生來說，幸運的是，這些概念在他們的學校裡得到了適當的講解。然而，其他人可能需要投入更多的時間來掌握這個主題。因此，離散數學是人工智慧和機器學習的重要組成部分。
機率論
為了正確地管理機器學習預測建模專案，推斷機率是必不可少的。機器學習是從不確定資料中建立預測模型的方法，不確定性涉及處理有缺陷或不完整的資料。不確定性對於機器學習至關重要，但卻是讓新手（特別是那些來自程式設計背景的人）最頭疼的部分之一。
即使藉助正確的機率工具，我們也可以估計問題的答案。
結論
數學已經成為我們日常生活的一部分。從我們醒來直到睡覺，我們在生活的每個部分都使用數學。然而，你可能會思考數學在機器學習中的重要性，以及是否以及如何利用它來解決任何現實世界的業務問題。
421 次瀏覽
