我是一名 CS 研究生，我开始对机器学习（和预测分析）产生真正的兴趣。我已经开始与教授一起从事文本分类项目来学习该领域，但我意识到我的背景非常薄弱。教授太忙了，没时间教我基础知识，所以我必须自己做。

我在遥远的过去做过一些微积分、统计 101 和线性代数，但我不记得太多了。但我很确定，如果我得到一本好书，我可以很快学会。

到目前为止，我已经通过阅读 Alpaydin 的机器学习开始了我的机器学习研究，但鉴于我的背景存在很大的漏洞，这非常具有挑战性。

我正在寻找有关主要主题（线性代数、统计、概率、优化以及任何其他可能相关的）书籍的建议，这些建议可以帮助我相对较快地提升，考虑到我的背景。

我正在考虑在多次迭代中进行。首先，得到我需要做的能够做一些实际的工作（比如我现在的分类项目），然后回去看书加深理解，等等。

请注意，此时我只关注主题的正式处理（仅限教科书）。

编辑 1：我想我可能已经找到了统计和概率书（所有统计：拉里·瓦瑟曼（Larry Wasserman）的统计推理简明课程）。只需要弄清楚如何将剩余的部分放在一起。我欢迎在这方面有任何进一步的想法。