问一下学习机器学习需要什么数学基础，高等数学线性代数概率论最基本的三本书已经看完了，也能做出来考研的题，但是推算法相关的公式还是有点费劲
以你目前的数学基础够了（不是说真的就够了，而是你继续做题，题目基本上都是理想情况，实际应用真需要推理的话难度比这个大多了。）你需要的是打代码了，实现推理过程你会发现更多的细节问题，一边实现一边学，闭门造车可不行。
而实际应用过程基本上不会涉及到推理公式，一般都是用的现成第三方库，各种框架，像反向传播，根本不需要你自己去推理过程，但是需要你知道遇到什么问题该用哪种方法，调哪些库。
当你尝试着去理解一个像机器学习（ML）一样的交叉学科的时候，主要问题是理解这些技术所需要的数学知识的量以及必要的水平。这个问题的答案是多维的，也会因个人的水平和兴趣而不同。关于机器学习的数学公式和理论进步正在研究之中，而且一些研究者正在研究更加先进的技术。下面我会说明我所认为的要成为一个机器学习科学家/工程师所需要的最低的数学水平以及每个数学概念的重要性。1. 线性代数：我的一个同事 Skyler Speakman 最近说过，「线性代数是 21 世纪的数学」，我完全赞同他的说法。在机器学习领域，线性代数无处不在。主成分分析（PCA）、奇异值分解（SVD）、矩阵的特征分解、LU 分解、QR 分解、对称矩阵、正交化和正交归一化、矩阵运算、投影、特征值和特征向量、向量空间和范数（Norms），这些都是理解机器学习中所使用的优化方法所需要的。令人惊奇的是现在有很多关于线性代数的在线资源。我一直说，由于大量的资源在互联网是可以获取的，因而传统的教室正在消失。我最喜欢的线性代数课程是由 MIT Courseware 提供的（Gilbert Strang 教授的讲授的课程）：http://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/2. 概率论和统计学：机器学习和统计学并不是迥然不同的领域。事实上，最近就有人将机器学习定义为「在机器上做统计」。机器学习需要的一些概率和统计理论分别是：组合、概率规则和公理、贝叶斯定理、随机变量、方差和期望、条件和联合分布、标准分布（伯努利、二项式、多项式、均匀和高斯）、 矩母函数 （Moment Generating Functions）、最大似然估计（MLE）、先验和后验、最大后验估计（MAP）和抽样方法。3. 多元微积分：一些必要的主题包括微分和积分、偏微分、向量值函数、方向梯度、海森、雅可比、拉普拉斯、拉格朗日分布。4. 算法和复杂优化：这对理解我们的机器学习算法的计算效率和可扩展性以及利用我们的数据集中稀疏性很重要。需要的知识有数据结构（二叉树、散列、堆、栈等）、动态规划、随机和子线性算法、图论、梯度/随机下降和原始对偶方法。5. 其他：这包括以上四个主要领域没有涵盖的数学主题。它们是实数和复数分析（集合和序列、拓扑学、度量空间、单值连续函数、极限）、信息论（熵和信息增益）、函数空间和流形学习。本文主要目的给出一些善意的关于数学在机器学中的重要性的建议，一些必需的数学主题。基本的吸纳觉条件是本文所描述的数据分析，你可以在掌握更多的技术和算法的过程中学习数学。（侵权删除）
看你需要用到什么程度，只是做项目偶尔遇到要用Machine learing解决的问题，那么你目前的数学基础已经够理解很多知识了，能看懂代码会调参数会跑模型就可以，不会的bug就请教，如果是想做AI算法的，那基础确实要更扎实，更深厚才行。