機器學習前需要哪些預備知識？

先決條件

機器學習的基礎是數學。數學并非是一個可選可不選的理論方法，而是不可或缺的支柱。如果你是一名計算機工程師，每天使用 UML、ORM、設計模式及其他軟件工程工具／技術，那么請閉眼一秒鐘，忘掉一切。這并不是說這些概念不重要，絕不是！但是機器學習需要一種不同的方法。如今 Python 如此流行的原因之一是其「原型設計速度」。在機器學習中，一種使用幾行代碼即可建模算法的語言絕對是必要的。

微積分、線性代數、概率論在機器學習幾乎所有算法中不可或缺。如果你的數學背景很扎實，請跳過這一章節。如若不然，那么重新溫習一下這些重要概念也不錯?？紤]到理論的數量，我并不建議大家從大部頭開始。盡管一開始可以用它查詢具體概念，但是初學者先關注簡單的話題比較好。網上有很多好的在線資源（比如 Coursera、可汗學院或優達學城），實用且適合各種背景的人群。但是我建議從提綱之類的簡明書籍上手，其中所有核心概念均被涉及，次要概念可在需要的時候自行查詢。這種方法雖然不夠系統，但卻避免了這樣的缺陷：大量晦澀概念使得沒有扎實理論背景的人望而卻步。

初學者最好先學習下列內容：

概率論離散型和連續型隨機變量主要分布（伯努利分布、二項式分布、正態分布、 指數分布、 泊松分布、Beta 和 Gamma 分布）矩估計和最大似然估計貝葉斯統計相關性系數和協方差（Correlation and Covariance）線性代數向量和矩陣矩陣的行列式特征向量和特征值矩陣分解（如 SVD）微積分極限與導數微分和積分數值計算與最優化方法資源《概率論入門》，Grinstead、Snell 著（https://www.dartmouth.edu/~chance/teaching_aids/books_articles/probability_book/amsbook.mac.pdf）《線性代數入門》，Wise、Gallagher 著（http://www.stat.columbia.edu/~liam/teaching/4315-spr06/LinAlg.pdf）《微積分入門》，Heinbockel 著（http://www.math.odu.edu/~jhh/Volume-1.PDF）