这实际上在统计学家社区中听起来有点奇怪，但我很确定大多数机器学习算法都可以表述为函数最小化问题。这意味着这将被数学优化所覆盖。

另一件事是您可能需要微积分和线性代数来理解什么是优化。为了解释你的结果，你最好有一些概率论和统计学背景。

这个问题可能太宽泛了，你应该多说一些关于你将使用数据挖掘的内容！但是，数据挖掘本质上是统计，而我所看到的人工智能的大部分用途也是统计。因此，您需要的数学是统计所需的数学：1）微积分和实分析 2）概率 3）线性代数！实际上，3）可能是最重要的，几乎无论您将做什么（包括使用 1）和 2））您都将严重依赖线性代数。所以，一定要掌握，不仅是概念，还有操作技巧！

使用的更多，但可能更专业。因此，在您专门解决您的问题（并了解 1）、2）和 3）之前，提供更详细的建议是没有意义的）

这似乎是一个公平的问题，我应该学习哪些数学作为机器学习的基础？
也许这是一个广泛的答案。由于 ML 借鉴了许多学科。

其他人提出了线性代数、概率论、统计学、度量空间和许多其他相关的建议。

也许一个可行的方法是列出一些最流行的 ML 算法，看看它们并填写你觉得不太熟悉的数学。