又到了周末了，但小编的周六并不算周末。回到本次的话题上，这次小编给大家分享机器学习中的数学基础该怎么学。
首先给出小编的态度：机器学习中涉及的数学课程比较多，要想一下子去穷尽所有课程显然也不现实，大可不必打好所有的数学基础再去学机器学习，最好的做法是当你对机器学习本身的理解达到一定瓶颈的时候，你可以补一补一些相关的数学基础之后再回去看机器学习的问题也许会更快的有所突破。
就拿小编来说吧，小编是先看了网易云课堂上的吴恩达机器学习课程，该课程很浅显易懂，并没有涉及很深的数学知识，但对你理解机器学习有关知识很有帮助，可以帮你快速建立机器学习框架体系。
学完之后，小编就在慢慢啃周志华的《机器学习》一书，该书涉及的数学知识还是蛮多的，有的直接给出了结果，并没有给出中间的推导过程。小编经常为了一个公式的推导花去一上午的时间，但有的推导不出。所以这时候，小编就觉得要好好补补相关的数字知识了。
下面小编为大家推荐数学基础相关视频课程。
1.线性代数
矩阵表示、矩阵运算、特征根、特征向量是基础中的基础，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基本概念的基础。
国内的线性代数教材偏重于计算而忽视了线性空间，特征值等基本概念阐述。就拿小编来说，虽然考研数学分数还行，但也只知道计算，对于相关概念和知识的应用知之甚少。
线性代数课程首推 MIT的 Gilbert Strang老爷子的课程。课程链接如下：http://t.cn/RmyqB2v。
2.矩阵求导
小编个人在学习机器学习的过程中对矩阵求导产生了极大的疑惑，后来发现有类似疑惑的同学也不少，同时由于矩阵求导貌似是一个三不管的地带，微积分里的多元函数求导貌似是讲了点，矩阵分析可能也有涉及到的，但是缺乏一个统一的理论。但机器学习中好多优化问题最终都归结到矩阵求导上。
相关课程链接：The Matrix Cookbook.(http://t.cn/RmyK6Od)。
3.概率论+统计
概率论+统计（很多数据分析建模基于统计模型）、统计推断、随机过程。可以毫不夸张的说，概率论+统计是机器学习的核心数学理论，前面提到的矩阵求导和线性代数实际上是扮演打工仔的角色。
相关课程链接：MIT的概率系统分析与应用概率Probabilistic Systems Analysis and Applied Probability(https://goo.gl/stzNFZ)，还有一个是中科大 概率论与数理统计(http://t.cn/RmyKd8W)。
机器学习中的数学当然不止以上，还有许多进阶数学知识，比如数值计算、凸优化理论等，这些就靠大家去探索了。
关注微信公众号【追梦程序员】后台回复关键字“math in ml”即可获取对应的百度云资源。
好了，本次的分享就到这里，觉得对你有帮助，就点个赞吧。
