還記得上個月的時候，準備學習機器學習的知識，想著線性回歸模型較簡單一些，那就從它開始吧。可是仔細一看裡面的知識包括矩陣、極大似然函式、求導等方面的知識，這些知識也只是大學的時候學習的，現在也早已還給了老師。於是開始搜尋入門機器學習需要哪些數學知識，應該怎麼去學，搜尋的結果表明，概率論統計、線性代數、高等數學這些知識都是需要的。可是自己真的要花很長時間一點點的把這幾本書給學完嗎？
近幾天我學習一些機器學習知識的感受。我最大的感受是，機器學習演算法真的讓人看不懂啊，這種看不懂並不是因為數學知識太過於複雜，而是因為好多概念都特別陌生，比如拿一篇演算法的文章來看，看到第二段的時候，第一段的內容已經都忘記了；有時候就會糾結某乙個推導公式怎麼來的呢，想了半天就是想不出來，其實在文章中作者已經鋪墊過，只是自己不熟悉文章總是忽略掉重點資訊。想想看，對於不熟悉的知識，也是在所難免的，所以自己在學習某一種演算法時，就先找一篇關於這種演算法的通俗介紹，心裡有個大概印象，知道這個演算法是幹什麼用的，然後再開始學習這種演算法的原理，碰到不理解的就回頭重新看文章。
自己學習時犯得錯誤
學習時，要不要買課或報班的問題在網上看到了好多資料分析或者資料探勘的課程，但仔細看課程大綱，大多是學習python的一些基礎知識，numpy、matplotlib、pandas這三個包的用法，然後就開始講kaggle上找的一些比賽，教給大家是如何呼叫機器學習用的scikit-learn這個包。其實，這樣的課程大家都是可以自己學習的，如果是機器學習演算法之類的課程，根據費用大家可以考慮一下，因為這類知識還沒有太普及。
好了，大家一起加油啊！
想從事資料科學領域，需要多少數學知識？
引言 沒有或者只有很少的數學知識，我能做乙個資料科學家嗎?資料科學必需的數學工具有哪些?有很多優秀的包可用於建立 模型或者資料視覺化。其中最常用的用於描述和 分析的一些包有 多虧了這些包，任何人都可以建立起乙個模型或者實現資料視覺化。然而,堅實的數學基礎對於修改你的模型讓你的模型效能更好更加可靠來說...
機器學習需要這些數學知識
放假在家想寫寫機器學習系列的文章，除夕前先來開個頭，後面會一直寫下去，搞機器學習演算法也有一年多了，體會多少還是有一些的，這裡記錄在部落格中，一來為自己後面的面試做點儲備，二來是為了分享，因為很多都是從大家的部落格中去學習的，所以這裡也要將我理解的新的內容反饋出來，大家一起學習進步。數學在計算機中的...
機器學習所需要的數學知識
第2課 數理統計與引數估計 第3課 線性代數 第4課 凸優化 第5課 回歸 第6課 梯度下降演算法剖析 第7課 最大熵模型 第8課 pca svd lda linear discriminant analysis 第9課 聚類 第10課 決策樹和隨機森林 第11課 adaboost 第12課 svm...