我有计算机编程和初等数论的背景，但没有真正的统计培训，最近“发现”了一系列技术的惊人世界实际上是一个统计世界。似乎矩阵分解、矩阵补全、高维张量、嵌入、密度估计、贝叶斯推理、马尔可夫分区、特征向量计算、PageRank 都是高度统计的技术，而使用这些东西的机器学习算法使用了大量的统计数据.
我的目标是能够阅读讨论此类事情的论文，并实现或创建算法，同时理解所使用的符号、“证明”和统计参数。我想最难的事情是遵循所有涉及矩阵的证明。
哪些基础论文可以帮助我入门？还是一本包含值得学习的练习的好教科书？
具体来说，我想完全理解的一些论文是：
我会推荐 Coursera 上的 Andrew Ngs 机器学习课程，它涵盖了所有基础知识。如果您正在研究与概率图形模型有关的任何事情，那么 Daphne Kollers 的课程也可以看看。
这也是自学资源的宝库http://rgle.sanukcode.net/articles/machine-learning-self-study-resources/ Herb Grossman 的讲座很棒。
我也被推荐这本书https://www.openintro.org/stat/textbook.php因为我一直在学习自己并且统计不是我的背景！
我的两分钱是关于事物和论文的数学方面的，不过不要太沉迷于背景数学。学习基础知识并参考您提到的那些论文所依据的论文，看看它们是否更容易（也许您必须返回几篇论文才能获得您可以理解的东西 - 这是我自己做的）有很多ML 中的不同数学元素，很容易陷入困境（这也是我自己不止一次做过的事情！）。
祝你好运，这是一个非常有趣的领域！