数据科学不需要真正的分析或测量理论。您需要了解的大部分数学都属于本科水平，这些课程就足够了：

1. 结石
2. 线性代数
3. 概率和统计
4. 优化

数据科学中涉及的大多数机器学习（处理应用程序与创建新的机器学习算法）都需要在上述数学课程中学习的概念的线性组合。例如，如果您了解线性代数（内积、矩阵等），您就可以充分了解内核方法。

此外，数据科学与实践和实验有关。许多关键概念只有通过实验才能变得更加清晰，如果您需要了解一种新方法，最好的方法是专门阅读它，然后进行实验。在这方面，如果你的目标是理解机器学习方法，我觉得研究整个相关数学分支是不值得的——在这种情况下，你总是可以请教大师在概念层面解释你所缺少的： -)

不，您不需要了解度量理论和实际分析即可在数据科学中进行机器学习。但是，如果您没有相关知识，您将很难阅读学术论文（例如：内核方法）。

除非你想成为一名数学家或想攻读博士学位，否则你真的不需要对这些理论了解太多。事实上，我认识的大多数在该领域工作的工程师根本不懂统计学。他们只是使用一些框架，得到一些好的结果，然后得到报酬。