学习机器学习需要掌握哪些数学基础？

本文共计1773个文字，预计阅读时间需要8分钟。

记得几年前，刚加入机器学习团队，我曾问组长，机器学习要学很多数学吗？他这样回答，其实我们都是用各种库，不需要深度掌握背后的数学原理。过去几个月面试，记得改为记得那会儿。

记得几年前，刚被安排到机器学习团队，我问组长，机器学习，要学很多数学吗？记得他是这么回答，其实我们都是用各种库，并不是需要深度的掌握后面的数学原理。 过去几个月面试了很多来应聘机器学习工程师的小伙子，各种库使用起来非常麻溜，但是如果叫他们亲自计算个东西，没有几个能正确的算出来，比如说最简单的准确度precision，并不是每个人能够第一时间把公式写出来。我们组长的回答，可能非常准确的反应了大部分机器学习工程师的现状，各种名词熟练挂在嘴边，库使用也非常熟练，但并没有真正理解含义。这样可行吗？如果不可行，那数学要学到什么程度？ 可行不可行，从团队角度来说，要看对机器学习的ambition，公司产品对机器学习的期望值。如果只是搞个噱头，预测一些不痛不痒的东西，的确不需要去深度研究，大部分的活只是需要按规范处理数据，喂入开源模型，是驴是马，就这样了，不管了。对个人来说，如果不是需求驱动，主动去研究背后枯燥数学原理的，恐怕不是那么多。但是如果真的要把机器学习做好，把每个百分点的提高都当作是大事件的话，显然知其然不知所以然是不够的，必须对模型动刀子（我同事喜欢说model surgery，我觉得挺生动的），这样子，如果不懂背后的原理，恐怕会无从下手。 这几天闲着没事，真的认真思考了一下，根据自己的经历，作为一名机器学习工程师，真的要学很多数学吗，如果给要入行的朋友做建议的话应该会怎么建议呢。想出了几个方面的数学，建议必须考虑学习或复习： 数学建模。我觉得揭开机器学习神秘面纱的第一步就是数学建模。机器学习的特征工程我觉得就是基于数学建模的。大部分模型的训练过程都是解方程，而数学建模要做的是怎么把实际问题用方程表示出来。