我是一名数学和计算机专业的学生，对机器学习感兴趣，尤其是（深度）强化学习和 NLP 领域。
根据目前的研究情况，哪些高级数学科目（除了微积分、线性代数和概率等基础知识）似乎对未来的机器学习理论工作最重要？（凸优化？博弈论？信息论？）
哪些数学课与机器学习相关？
机器算法验证
机器学习
2022-03-24 02:11:41
1个回答
一个伟大的机器学习专业人士应该知道构成计算机科学家和统计学家的各种成分。此外，它还应该知道一些数学才能真正学习这些科目。
数学
1) 微积分和优化（微积分、内部优化、梯度属性、约束优化、积分（知道如何计算期望值））。
2) 数学分析
3）线性代数（你知道的越多越好。线性系统的解，逆和伪逆，分解，向量空间，线性变换）
4）数值微积分与分析（线性和非线性系统的解，特征向量/特征向量的数值解，几种梯度方法）
5）应用泛函分析的概念（例如，巴拿赫不动点定理、希尔伯特空间投影定理）
6）凸优化和优化（理论和数值分析）
7）测度论（了解概率论的细节）
相关知识：
1) 概率论与统计学
2）多元统计（例如，主成分分析）
3）回归模型（线性回归、二元响应）
4) 时间序列
5）神经网络模型（经典问题以及包括深度学习的问题）
6) 大量计算机编程（结构化、函数式和面向对象的编程、模式设计）
7）算法（算法和算法复杂度）。
8）强化学习（动态规划和蒙特卡罗方法）
9) 语言：Python 和 R
10) 数据库：MySQL、PostgreSQL 和 Hadoop
最后，你需要有实践经验。没有什么比与与您有相同兴趣的社区建立联系更好的了。你也可以面对比赛。
我一定忘记了很多很棒的参考资料……对此感到抱歉。
其它你可能感兴趣的问题