此處我們暫且不論文科生，理科生工科生課程大多在大一會有高等數(shù)學和線性代數(shù)兩門課，機器學習大約需要多少數(shù)學知識呢？個人覺得如果你是想從事機器學習算法基層工作，偏做數(shù)學學術的同學，你可以本科兩年左右把高代、數(shù)分這些主干課過一遍，至于大三的一些實分析、復分析、泛函實變這些，個人覺得機器學習極少用到這些，當然也可能是我程度還不夠深入，我的建議是大家不要浮躁地一開始就拿著代碼開始擼項目，但是也不要讀成書呆子，大家一定要明白一個觀點，如果你不想成為陳景潤那樣的數(shù)學家，大可不必花上大把時間在各種各樣的數(shù)學專業(yè)書上。那么回到我們的問題機器學習到底需要多少數(shù)學知識呢？從我個人學習經(jīng)驗，鄙人在學校大約學過高等數(shù)學、線性代數(shù)、離散數(shù)學、概率論與數(shù)理統(tǒng)計這四門主干課，平均分大約在88分左右，至于為什么平均分沒上95，是因為實在是懶得復習每本書那一章背的讓人頭疼的公式，機器學習需要的數(shù)學大約是高數(shù)微分積分思想那塊（泰勒展開可以好好復習復習）、線性代數(shù)基礎書加上部分求導（矩陣的跡這些）、概率論與數(shù)理統(tǒng)計（貝葉斯看看，然后是分布那塊），這幾塊內容實在在這幾本書算是基本內容了，很簡單。之前見過一些，有的可能會說這些操作在現(xiàn)在流行的平臺都有許多包能用巴拉巴拉的，但是不要忘了我們雖然不是“造房子”的人，但是最基本的一些東西還是希望同學們在學習的過程中去證明證明。在已有比較好的數(shù)學基礎上去看機器學習的算法會輕松很多，也解決了部分同學一心趴倒在數(shù)學坑里的問題（執(zhí)著于數(shù)學的科研小伙伴請忽略我這一大段話，統(tǒng)計學大佬惹不起）。

好啦，以上就是機器學習在數(shù)學方面的要求。接下來我們可以愉快地學習機器學習啦。

這里我說說我的入門，一開始很榮幸一個大佬給我講了機器學習一些思想，順便安利了我輩楷模Andrew ng，一開始在網(wǎng)易云看了一遍帶massac的視頻，憋的不要不要，很多地方一知半解，練習也較少，看完之后懵懵懂懂吧，當時是邊刷周志華老師的西瓜書（這個不必說了吧，另一個大佬，據(jù)說最近評上了ieee fellow的亞洲主席來著），當時大約是大二上學期結束后的寒假，痛并快樂著。過了一段時間，朋友圈另外一個大佬alexa哈哈，瘋狂在刷coursera，抱著萌新心態(tài)一搜，不得了哇（coursera為ng所創(chuàng)立），然后不知不覺刷完了stanford的ml課程，并做完了所有練習。做的同時二刷周志華老師的西瓜書，痛并快樂著。

不得不說ml博大精深，看了很久很久，我發(fā)現(xiàn)自己還是停留在學習階段，也就是怎么說，在有的人看來屌屌的，但是實際上讓我立馬接一個項目，感覺壓力山大啊。這時候我打開的B乎，手動滑稽臉，發(fā)現(xiàn)李航老師的《統(tǒng)計學習方法》，這個評價不是一般的好，繼續(xù)買書刷書，刷完感覺數(shù)學功底理解上升了一個層次。以上書籍都很安利的。后來alexa大佬在刷華盛頓大學的ml課程，據(jù)說也很nice，但是課程量太大加上后來國家某局狂搞vpn，沒得看，算是小遺憾了。

刷完統(tǒng)計學習方法對不對，不得不再吹一句，機器學習也是大學科，類別是真的多。轉眼到大二下學期的暑假，看大佬無聊的時候演示一波R的文本分詞，著實歡喜，自學了一波R語言（ps那時的我執(zhí)著于用octave處理一切問題），美滋滋。當然我繼續(xù)搜淘寶，淘到一本機器學習實踐，看來是harrinton大佬寫的，很nice帶源碼，小伙伴們刷起吧，不解釋，不過這本書沒刷完因為其他一些項目耽誤了。（python也是真滴好用，當然包這一塊強推anaconda，conda指令有些坑處我自己慢慢爬出來的，有問題的同學可以留言）。

搞了一波事情，發(fā)覺無聊了，這時候來了本深度學習，還是yoshia bengio大佬，別說了，再貴都買，目前刷了五章， 一直炒現(xiàn)飯，我給自己本科要求是不玩深度學習，但是進來了還是看看吧，就是玩玩，沒指望自己能玩轉卷積這些，只是看看。近期什么狀態(tài)呢，（⊙o⊙）…

其實從暑假后期開始，我重心轉向托福了，打算年底刷一波分，然后再投入到令人向往的事業(yè)來hhhh，不過現(xiàn)在看起來又要重新進坑了。兩個教授給我發(fā)出申請，給研究生講講我的學習方法交流交流，maybe已經(jīng)走在大部分人前面，現(xiàn)在是想劃水劃不動了，每周跟著一幫研究生開組會，過起了研究生+本科生雙重生活。文中如有冒犯請別跟小人一般見識，現(xiàn)在是大三狗了，只能劃兩年，出國跟著某苦逼導師消耗自己兩三年的生命投身科研吧，當然就是說說，有大佬帶就好，現(xiàn)在處于不想自己帶隊的狀態(tài)，手上有一手資源，但是不想用23333，感謝讓我再休息一陣子哈哈哈哈，勞模下線了。如果想了解細節(jié)可以留言，我有時間有想法了可以不定期更新一兩波干貨。鄙人愛好較多，歡迎找我打橋牌啊之類的，棋現(xiàn)在不想約了，小提琴處于想拉就拉的狀態(tài)，為bigbang著迷的程序猿，balabala當日記寫著玩哈哈。

感謝大學兩年以來幫助過我的學長學姐們，感謝我最親愛的honey，沒錯就是你呀！

忘了怎么打分割線了，姑且這樣湊合吧。出去交換了一波準大四來補全一下。（不知道算不算畫蛇添足2333）

之前說的大約是需要不是很多的數(shù)學就能開干，但是要知道很多東西看起來不難，但是越深入是越難的。對于想做機器學習（AI大類）相關的同學要明白自己有什么資源，自己想達到什么程度，自己想做什么。上學期出去交換一學期，期間零零碎碎做了網(wǎng)絡+嵌入式的app項目，也做了一些GAN相關的東西，聽了幾位業(yè)界蠻有名的大牛講座。思路太多下面慢慢整理（最近刷GRE也順帶繼續(xù)刷toefl真是累）。

如果你是大一/大二同學，請好好學習數(shù)學的同時刷完李航的《統(tǒng)計學習方法》，（最近大家都在看，似乎是國內院校神書）這本書蠻薄的，前前后后因為實習各種事詳細看了好幾遍，至今也不敢說自己完全都會，甚至前兩天和一個研究生學長討論一下把我問住了，只能說這本書中許多問題需要深入思考：為什么要用這個方法、這個方法為什么好、這個方法還能用在哪里。其實在平時學習與看書這件事不沖突。

還有幾本實踐書，《python實踐》大約是這么寫，harrington寫的，主要是基礎算法的實例。然后是《tensorflow深度學習框架》這本是科大學長安利，出到了第二版，也挺不錯。實踐書，算法書都挺不錯，同類型多看看也差不多了，主要提高coding和對這些問題的思考，比如這些算法背后的一些哲學思想（開玩笑2333）。

至于周老師的西瓜書，可以當作reference之類的看，里面工程內容也很多，如果有能力（看完李航老師書的前提下）跳過算法部分，專注工程的一些trick。還有一點是不管用什么方法，coding是要有的，我的blog基本上囊括了machine learning的一些基本算法。當然了，等你看完這幾本，其實你還沒入門。。。

哈哈，當然是騙你的，如果你弄透了，基本在ml這塊就沒問題，可以繼續(xù)進階啦。這里你可以有很多基礎的東西要看，比如CNN對不對，CNN基礎的論文大概二十篇左右，我在我的blog有詳細列出了其中比較重要的條目以及閱讀意見。然后是RNN呀LSTM呀RF呀FPGA呀GAN呀這些，當然我沒羅列完，大約就是各種網(wǎng)絡模型，再加上各種優(yōu)化方法，當然還有純convex流派，這個大大大佬應該是都會的，頂會上再厲害的東東也是有數(shù)學那么些東西的，籠統(tǒng)來說就是你這里哪里加了個function，然后這樣optimize就很好，然后證明兩頁略這種。這些論文加起來大約200篇左右，最好是能實現(xiàn)一些，然后實操一些。

同時比賽也可以玩玩呀，ACM，阿里的，kaggle上的都不錯，可以拿得出手，鍛煉鍛煉。（當然還有JData，TX社交網(wǎng)絡，攜程滴滴這些）還有數(shù)學建模之類，以及各種互聯(lián)網(wǎng)+之類的比賽水水。PS數(shù)學建模玩的好真能保送北大，因為國賽是會排名的，隔壁寢就保了。（當然ACMworld final也能保，同實驗室的學長15final打了世界30多吧，毅然決然放棄博，感覺他考個toefl就能上MIT，后來去了pony投奔樓教主，稅后嘿嘿嘿）學校211弱渣，碰巧大牛還是有的。

還有些別類例如R， scala， swift 這些語言也是相關。whatever， 語言只是工具據(jù)，當然也有各自擅長吧，如果非要選一個當然是r了，對初學者或者是外系同學比較友好（學好英文自然懂R語言qaq），據(jù)我所知數(shù)學和經(jīng)濟大類一般都是用r語言做分析（在***交換的舍友一天到晚用r做高維數(shù)據(jù)的證明，coding估計比我還多）。除了計算機外，時間序列也很不錯，之前做過很久的經(jīng)濟方面的東西，但是苦于沒有學計量經(jīng)濟學，所以后面arma， arima， garch這些都學的很艱難，當然也發(fā)現(xiàn)LSTM也不是總是好用，用time series的方法也不見得就比新的方法差多少，差的是修仙調參罷了。

總之就是這么多，本科發(fā)paper還是比較難。（我指的是CVPR，emmm以及稍微比CVPR低一些的IEEE子會的一些）因為隨便水水真的不好哇，雖然感覺CVPR也挺多灌水嫌疑文章，雖然我們寫不出來，但是你仔細看多了，水不水難道看不出嘛，評價水不水大約就是別人用起來爽不爽（引用量）、對社會效益大不大（會不會有公司看中你請你帶實驗室去賺錢）。當然了做AI感覺最好還是碩士往上走，但是讀碩士肯定得拿出來論文，雖然很多學校要求不高，但是你得想清楚競爭力在哪兒。paper可能你在學校更有環(huán)境發(fā)（如果能去滴滴實驗室or）