机器学习相关的数学资料下载
機器學習，需要一定的數學基礎，也需要一定的代碼能力。機器學習從業者數學基礎不扎實，只會用一些工具和框架，相當于某些武術家只會耍套路，外行人覺得很厲害，但實戰起來一定是鼻青臉腫。
如何在有限的計算資源下找出最優解，在目標函數及其導數的各種情形下，應該如何選擇優化方法；各種方法的時間空間復雜度、收斂性如何；還要知道怎樣構造目標函數，才便于用凸優化或其他框架來求解，這些都需要一定的數學基礎。
可以說，數學基礎是機器學習從業人員的天花板。博士的代碼能力，不一定比碩士強，但數學基礎，往往要比碩士扎實很多。為什么機器學習從業人員學歷越高，往往工資越高，通常和掌握的基礎知識正相關。
機器學習最基礎的數學知識，可以分為高等數學、線性代數、概率論與數理統計三部分，我整理了三個數學基礎資料：
一、大學數學基礎精華
這個是考研考博時候整理的中文教材的資料，分為高等數學、線性代數、概率論與數理統計三部分：內容如圖：
二、CS229數學基礎
我和石振宇博士翻譯了cs229的數學基礎，分為概率論和線性代數兩部分，是斯坦福系列課程的數學基礎資料。
以上資料的pdf和markdown文件可以在我的數據科學的github提供下載：
https://github.com/fengdu78/Data-Science-Notes/tree/master/0.math
三、數學家介紹
里面有很多數學公式是數學家的名字命名的，然而，好多人不知道那些數學家長什么樣子。于是，我們搜集了十位數學家的資料（排名不分先后），看看大家能從圖片中叫出幾位數學家的名字來？
1.艾薩克·牛頓
英國著名物理學家，數學家，牛頓與戈特弗里德·威廉·萊布尼茨分享了發展出微積分學的榮譽。他也證明了廣義二項式定理，提出了“牛頓法”以趨近函數的零點，并為冪級數的研究做出了貢獻。
2.戈特弗里德·威廉·萊布尼茨
德國數學家，我們經常用到“牛頓-萊布尼茨公式”。
3.約瑟夫·拉格朗日
法國數學家，機器學習經常用到他創建的“拉格朗日對偶”、“拉格朗日中值定理”。
?
4.托馬斯·貝葉斯
英國數學家，“貝葉斯公式”在機器學習中使用非常廣泛。
?
4.西莫恩·德尼·泊松
?法國數學家，數據分布中的“泊松分布”就是以他的名字命名。
?
5.布魯克·泰勒
英國數學家，我們經常用到“泰勒公式”：
6.洛必達
法國數學家，在高等數學求極限的時候，我們經常用到“洛必達法則”。
7.卡爾·弗里德里希·高斯
?德國數學家，在機器學習中他的名字肯定不會陌生，比如“高斯分布”、“高斯核函數”。
8.伯努利
瑞士數學家，“伯努利分布” 是一種離散分布,有兩種可能的結果。1表示成功，出現的概率為p(其中0<p<1)。0表示失敗，出現的概率為q=1-p，這種分布在人工智能里很有用。
9.德·摩根
?英國數學家，在概率論里，我們經常用到“德. 摩根律”：
10.拉普拉斯
法國數學家，在概率論和數理統計中，“拉普拉斯分布”非常重要，該分布用于生物、金融和經濟學方面的建模。
備注：以上翻譯完畢的pdf和markdown文件可以在我的數據科學的github提供下載：
https://github.com/fengdu78/Data-Science-Notes/tree/master/0.math
本站簡介↓↓↓?
“機器學習初學者”是幫助人工智能愛好者入門的個人公眾號（創始人：黃海廣）
初學者入門的道路上，最需要的是“雪中送炭”，而不是“錦上添花”。
本站的知識星球（黃博的機器學習圈子）ID：92416895
目前在機器學習方向的知識星球排名第一（上圖二維碼）
往期精彩回顧
良心推薦：機器學習入門資料匯總及學習建議
黃海廣博士的github鏡像下載（機器學習及深度學習筆記及資源）
機器學習小抄-（像背托福單詞一樣理解機器學習）
首發：深度學習入門寶典-《python深度學習》原文代碼中文注釋版及電子書
機器學習必備寶典-《統計學習方法》的python代碼實現、電子書及課件
重磅 | 完備的 AI 學習路線，最詳細的資源整理！
圖解word2vec(原文翻譯)
斯坦福CS229機器學習課程的數學基礎（概率論和線性）
備注：加入本站微信群或者qq群，請回復“加群”
總結
以上是生活随笔為你收集整理的机器学习相关的数学资料下载的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 推荐一位学霸的秋招经历（已收到百度、阿里
- 下一篇： 那些年做的学术公益-你不是一个人在战斗