原文：
www.kdnuggets.com/2022/02/learn-math-machine-learning.html
图片由 geralt 在 Pixabay 提供
数据科学求职者最常见的问题之一是“我需要了解多少数学才能进行机器学习？”希望进入机器学习领域的学生常常认为数学是一个巨大的障碍。
1. 谷歌网络安全证书 - 快速进入网络安全领域的职业生涯。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持组织的 IT
行业中的把关者对此问题并不提供帮助，通常将学生标记为不合格，除非他们拥有硕士学位或博士学位。
那么，进入数据科学行业你需要了解多少数学呢？
答案是：没有你想的那么多。
大多数公司通过数据解决非常相似的用例。他们要求数据科学家构建可以预测客户流失、进行细分和预测销售的机器学习模型。
解决这些问题的方法类似，任务变得相当重复。没有必要重新发明轮子，它们使用现成的机器学习算法。
即使出现需要构建自定义机器学习模型的情况，对特定主题的直观理解就足够了。你不需要深入了解，也不需要成为数学专家才能成为数据科学家。
例如，我们知道梯度下降用于在线性回归中找到最佳拟合线。你无需学习如何解微分方程，只需理解微积分的原理，就能对这一过程有所了解。
类似地，如果你要用 Tensorflow 构建神经网络，你需要进行大量的矩阵操作，但这会在计算机程序的帮助下完成。因此，你无需返回去练习代数方程的解法，只需理解它们的工作原理即可。
在这篇文章中，我将向你推荐一些资源，帮助你开始学习数据科学所需的数学。我将重点介绍三个领域——线性代数、微积分和统计学。
线性代数 — 基础到前沿：这门 edX 上的课程将教你本科水平的线性代数。它从较慢的速度开始，只要你具备高中水平的数学知识，就可以参加这门课程。
这门课程的最佳部分是，它通过 Matlab 中的实际例子教授线性代数，这让你通过算法和编程的视角来看待这个学科。如果你的目标是为机器学习学习线性代数，这种学习方法尤其有用。
这个课程可以免费旁听。如果你想获得结业证书，可以申请经济援助。
3Blue1Brown — 线性代数精髓：我以前没有参加过这个课程，但在我寻找数学学习资源的过程中多次遇到过它。
许多机器学习爱好者都推荐这门课程，因为它为学习者提供了线性代数的概念性理解。你将获得线性代数如何运作的直观认识，而不是学习任意的公式或机械推导它们。如果你的终极目标是将这些概念应用于机器学习模型，这将非常有帮助。
我推荐两个学习机器学习所需微积分的课程。微积分精髓是 3Blue1Brown 提供的很棒的微积分入门课程。这也将为你提供微积分概念的直观理解，并深入解释公式背后的意义，而不仅仅是让你记住它们。
接下来，你可以参加 3Blue1Brown 的神经网络系列。如果你知道如何使用 Keras 等库实现神经网络，但不太了解这些模型的工作原理，你应该参加这个课程。它提供了梯度下降算法的全面解释，以及其背后的微积分概念。
《简易微积分》（第二版，1914 年，第一章）（由文章作者编辑以删除非包容性语言）。
这是我曾经参加过的最好的入门统计学课程之一，由伦敦大学提供。该课程针对的是主修非数学学科的学生，如商业和金融。
因此，统计概念的解释简单易懂，并有许多现实世界的例子。
通过学习此课程，你将了解描述性统计和推断性统计、不同的抽样分布、抽样技术、置信区间，以及如何计算 p 值。
所有这些概念在实际数据分析中都有直接应用。
这是另一个优秀的课程，帮助你学习机器学习模型背后的直觉。
和这份清单中的其他资源一样，这个课程较少关注数学公式，而是以概念性的方式解释机器学习模型。
然而，为了参加这个课程，建议你具备一定的微积分知识，因为讲师们使用的符号可能会让你感到困惑。
你将学习诸如线性回归和逻辑回归等概念，及其正则化技术，如岭回归和套索回归以及使用时机。还有一整节讲座专门讲解了用于减轻过拟合的技术，并解释了这些技术背后的数学直觉。
这是我上过的最有帮助的课程之一，因为它帮助我不再把机器学习模型视为黑箱。我理解了不同类型的模型应该在何时使用，何时应应用降维技术，以及何时进行不同种类的特征选择技术。
我花了很多时间去回顾和学习本科阶段的微积分和线性代数。然而，尽管花费了大量时间学习公式和解决微分方程，我的知识仍然存在断层，因为我从未真正理解这些概念如何与机器学习算法相关联。
上述资源是突破障碍的绝佳方式，因为它们提供了机器学习背后的数学概念理解，而不是让你陷入复杂的公式和定理之中。
Natassha Selvaraj 是一位自学成才的数据科学家，热爱写作。你可以在 LinkedIn 上与她联系。