數學困擾大家主要有這幾個方面：
1、 機器學習需要的數學知識是不是很難，網上的公式都看不懂？
2、 很多人都說工作後就是調參，調包，不太需要用到數學吧？
3、 零基礎究竟該怎麼自學數學，學到哪個程度？
觀點：
1、數學是必須的。
數學對於機器學習來說是必備基礎，數學是內功，你要理解一個演算法的內在邏輯，沒有數學是不行的。以後跑演算法的時候，你可能就是調參、調包，不會用到數學。但是你發現效果不好的時候，如果你數學不懂，就很難作最佳化，數學是你在機器學習路上的天花板。
2、數學也不是很難。
但是，數學真的很難嗎？說實話，對於一般人來說，是有點門檻的，但沒有你想的那麼難。這裡假設你上過大學的數學課，你就具備了機器學習的數學入門門檻了，之後的數學啃一啃是可以下來的。如果說你沒有上過大學的數學，emmm，挺難的，這說明你除了跟別人付出同樣的努力之外，還要多付出一些大學數學的學習。
3、 相比於數學，實際專案能力更重要。
這句話沒錯，可是大部分人在沒接觸到實際專案的時候，就已經被擋在門外了。很多從事機器學習的你問他數學，他可能也不是很懂，可是你能咋辦。人家面試你的時候就要問你這些，問你對演算法的理解，你不會那你就過不了面試啊。
4、 學習是枯燥的，但是有辦法緩解。
在學習演算法的時候，我們會看到很多推導，學著學著就怕了，就失去興趣了，這裡有個方法可以有效緩解。我之前的系列中有本書叫做機器學習實戰，跟著上面的程式碼敲一敲，很容易出成果，你會看到在現實中的實際應用，很有成就感。
5、 數學的學習是可以“取巧”的
這裡說的取巧指的是，數學的學習是有跡可循的，因為入門階段的數學實際上就需要那些，列出來，你自己啃一下就可以了。具體的學習方法不是等你把數學都學好了再去學演算法知識。而是你在學習演算法的時候，看到你數學缺哪塊再去補哪塊，這是最高效的。當然了，在這之前你可以通讀一遍數學的基礎，對學習有個大概是更好的。
數學必備知識點
1、 線性代數
標量、向量、矩陣和張量；矩陣向量的運算；單位矩陣和逆矩陣；行列式；方差，標準差，協方差矩陣；範數；特殊型別的矩陣和向量；特徵分解以及其意義；奇異值分解及其意義
Moore-Penrose 偽逆；跡運算
2、 機率統計
機率學派和貝葉斯學派；何為隨機變數和何又為機率分佈；條件機率，聯合機率和全機率公式；邊緣機率；獨立性和條件獨立性；期望、方差、協方差和相關係數；常用機率分佈；貝葉斯及其應用；中心極限定理；極大似然估計；機率論中的獨立同分布
3、 最佳化
計算複雜性與NP問題；上溢和下溢；導數，偏導數及兩個特殊矩陣；方向導數和梯度；梯度下降法；牛頓法；仿射集,凸集和凸錐；超平面，半空間及凸集分離定理；不改變凸性的運算；凸函式及凸最佳化簡述；無約束的最佳化，等式約束最佳化，不等式約束最佳化；線性規劃中對偶理論；拉格朗日對偶理論
4、 資訊理論及其他
資訊熵；條件熵；相對熵 (KL散度)；互資訊；幾種常用的距離度量；圖論；樹論
上面數學基本上就是我們所要學的數學的全部了，看上去有點嚇人是不？不要慌，沒有那麼難，一點點啃下去就可以了。
推薦資料：
資料一：機器學習王牌課程CS229課後配套數學，專門配套機器學習的。
資料二：Yoshua Bengio的《深度學習》書，網上公開的，前面有一部分是對數學的專門講解，很基礎很全面。
數學基礎篇
如果你上面三個材料看起來很吃力，或者說你的數學沒有達到大學的水平。那就是數學基本功的問題了。針對這種情況，我覺得只能把相關的大學數學書拿出來翻一翻，基本概念要弄懂，什麼是矩陣、導數等等，偷不了懶。
1、數學分析與機率論
同濟大學數學教研室，高等數學，高等教育出版社，1996
王松桂、程維虎、高旅端，機率論與數理統計，科學出版社，2000
2、矩陣和線性代數
同濟大學數學系編，工程數學線性代數（第五版），高等教育出版社2007
以上三本數學書，如果你對基礎概念忘了的話，可以選擇性看下相應的篇章。
數學困擾大家主要有這幾個方面：
1、 機器學習需要的數學知識是不是很難，網上的公式都看不懂？
2、 很多人都說工作後就是調參，調包，不太需要用到數學吧？
3、 零基礎究竟該怎麼自學數學，學到哪個程度？
觀點：
1、數學是必須的。
數學對於機器學習來說是必備基礎，數學是內功，你要理解一個演算法的內在邏輯，沒有數學是不行的。以後跑演算法的時候，你可能就是調參、調包，不會用到數學。但是你發現效果不好的時候，如果你數學不懂，就很難作最佳化，數學是你在機器學習路上的天花板。
2、數學也不是很難。
但是，數學真的很難嗎？說實話，對於一般人來說，是有點門檻的，但沒有你想的那麼難。這裡假設你上過大學的數學課，你就具備了機器學習的數學入門門檻了，之後的數學啃一啃是可以下來的。如果說你沒有上過大學的數學，emmm，挺難的，這說明你除了跟別人付出同樣的努力之外，還要多付出一些大學數學的學習。
3、 相比於數學，實際專案能力更重要。
這句話沒錯，可是大部分人在沒接觸到實際專案的時候，就已經被擋在門外了。很多從事機器學習的你問他數學，他可能也不是很懂，可是你能咋辦。人家面試你的時候就要問你這些，問你對演算法的理解，你不會那你就過不了面試啊。
4、 學習是枯燥的，但是有辦法緩解。
在學習演算法的時候，我們會看到很多推導，學著學著就怕了，就失去興趣了，這裡有個方法可以有效緩解。我之前的系列中有本書叫做機器學習實戰，跟著上面的程式碼敲一敲，很容易出成果，你會看到在現實中的實際應用，很有成就感。
5、 數學的學習是可以“取巧”的
這裡說的取巧指的是，數學的學習是有跡可循的，因為入門階段的數學實際上就需要那些，列出來，你自己啃一下就可以了。具體的學習方法不是等你把數學都學好了再去學演算法知識。而是你在學習演算法的時候，看到你數學缺哪塊再去補哪塊，這是最高效的。當然了，在這之前你可以通讀一遍數學的基礎，對學習有個大概是更好的。
數學必備知識點
1、 線性代數
標量、向量、矩陣和張量；矩陣向量的運算；單位矩陣和逆矩陣；行列式；方差，標準差，協方差矩陣；範數；特殊型別的矩陣和向量；特徵分解以及其意義；奇異值分解及其意義
Moore-Penrose 偽逆；跡運算
2、 機率統計
機率學派和貝葉斯學派；何為隨機變數和何又為機率分佈；條件機率，聯合機率和全機率公式；邊緣機率；獨立性和條件獨立性；期望、方差、協方差和相關係數；常用機率分佈；貝葉斯及其應用；中心極限定理；極大似然估計；機率論中的獨立同分布
3、 最佳化
計算複雜性與NP問題；上溢和下溢；導數，偏導數及兩個特殊矩陣；方向導數和梯度；梯度下降法；牛頓法；仿射集,凸集和凸錐；超平面，半空間及凸集分離定理；不改變凸性的運算；凸函式及凸最佳化簡述；無約束的最佳化，等式約束最佳化，不等式約束最佳化；線性規劃中對偶理論；拉格朗日對偶理論
4、 資訊理論及其他
資訊熵；條件熵；相對熵 (KL散度)；互資訊；幾種常用的距離度量；圖論；樹論
上面數學基本上就是我們所要學的數學的全部了，看上去有點嚇人是不？不要慌，沒有那麼難，一點點啃下去就可以了。
推薦資料：
資料一：機器學習王牌課程CS229課後配套數學，專門配套機器學習的。
資料二：Yoshua Bengio的《深度學習》書，網上公開的，前面有一部分是對數學的專門講解，很基礎很全面。
數學基礎篇
如果你上面三個材料看起來很吃力，或者說你的數學沒有達到大學的水平。那就是數學基本功的問題了。針對這種情況，我覺得只能把相關的大學數學書拿出來翻一翻，基本概念要弄懂，什麼是矩陣、導數等等，偷不了懶。
1、數學分析與機率論
同濟大學數學教研室，高等數學，高等教育出版社，1996
王松桂、程維虎、高旅端，機率論與數理統計，科學出版社，2000
2、矩陣和線性代數
同濟大學數學系編，工程數學線性代數（第五版），高等教育出版社2007
以上三本數學書，如果你對基礎概念忘了的話，可以選擇性看下相應的篇章。