分享 

數據科學有志之士最常見的問題之一是 "對于機器學習，我需要知道多少數學？" 希望進入機器學習領域的學生往往將數學視為一個巨大的入門障礙。

行業中的守門人對這種擔憂沒有幫助，他們給學生貼上了不合格的標簽，除非他們擁有該學科的碩士或博士學位。

那么，為了在數據科學行業工作，你需要知道多少數學？

答案是。沒有你想象的那么多。

大多數公司在數據的幫助下解決非常類似的用例。他們要求數據科學家建立機器學習模型，可以預測客戶流失，進行細分，并預測銷售。

用于解決這些問題的方法是相似的，而且任務變得相當重復。沒有必要重新發明輪子，他們使用開箱即用的ML算法。

即使出現了需要建立自定義機器學習模型的情況，對特定主題的直觀理解也是足夠的。你不需要去深究，也絕對不需要成為數學專家來成為數據科學家。

例如，我們知道梯度下降是用來尋找線性回歸中的最佳擬合線的。你不需要開始學習如何解決微分方程，你只需要了解微積分的原理，就可以了解到這是如何做到的。

同樣，如果你要用Tensorflow構建一個神經網絡--你需要進行大量的矩陣操作，但你將在計算機程序的幫助下進行。由于這個原因，你不需要回去練習解代數方程。你只需要了解它們是如何工作的。

在這篇文章中，我將為你指出一些資源，幫助你開始學習數據科學的數學。我將專注于三個領域--線性代數、微積分和統計。

線性代數

 
線性代數--從基礎到前沿。edX上的這門課程將在本科水平上教你線性代數。它從一個緩慢的空間開始，只要你有高中水平的數學知識，你就可以學習這個課程。

這門課程最好的地方是，它用Matlab中的實際例子教你線性代數，這讓你通過算法和編程的視角來看待這個學科。如果你的目標是學習機器學習的線性代數，這種學習方法特別有用。

這個課程可以免費試聽。如果你想獲得結業證書，你可以申請財政援助。

3Blue1Brown--《線性代數精華》：我以前沒有上過這門課，但在我自己尋找數學學習資源的過程中，曾多次遇到它。

許多有志于機器學習的人對這門課程深信不疑，因為它為學習者提供了對線性代數的概念性理解。與其學習任意的公式或機械地推導它們，你將獲得對線性代數如何工作的直覺。如果你的最終目標是將這些概念應用于機器學習模型，這將是非常有幫助的。

微積分

我推薦兩門為機器學習學習微積分的課程。微積分的本質》是3Blue1Brown開設的一門偉大的微積分入門課程。同樣，這將為你提供對微積分概念的直觀理解，并深入解釋公式背后的意義，而不僅僅是讓你記住它們。

接下來，你可以學習3Blue1Brown的神經網絡系列。如果你知道如何使用Keras等庫實現神經網絡，但并不真正了解這些模型背后的工作原理，你應該學習這門課程。它為你提供了梯度下降算法的全面解釋，以及其背后的微積分概念。

統計數字

 
概率與統計：To p or not to p??？-庫塞拉

這是我所學過的最好的統計學入門課程之一，由倫敦大學提供。這門課程是針對主修非數學專業的學生，如商業和金融。

正因為如此，統計學概念的解釋方式簡單易懂，并有許多真實世界的例子。

學習本課程后，你將對描述性和推斷性統計、不同的抽樣分布、抽樣技術、置信區間以及P值的計算方法有所了解。

所有這些概念都可以直接應用于現實世界的數據分析。

統計學習-edX

這是另一個學習機器學習模型背后的直覺的優秀課程。

與本列表中的其他資源一樣，本課程不太注重數學公式，而是以概念的方式解釋機器學習模型。

然而，要學習這門課程，建議有一些微積分知識，因為導師傾向于使用符號，否則可能會使你感到困惑。

你將學習線性和邏輯回歸等概念，以及正則化技術，如脊和套索回歸，以及何時使用它們。有一整堂課專門討論用于減輕過擬合的技術，并解釋了這些技術背后的基本數學直覺。

這是我上過的最有幫助的課程之一，因為它幫助我不再把機器學習模型當作黑盒子。我對不同類型的模型應該用在什么地方，什么時候應該應用降維，以及什么時候執行不同種類的特征選擇技術有了了解。

我花了很多時間試圖回到過去，學習本科階段的微積分和線性代數。然而，盡管花了很多時間學習公式和解微分方程，我的知識還是有脫節，因為我從來沒有完全理解這些概念與機器學習算法的關系。

上述資源是突破這一障礙的好方法，因為它們讓你對機器學習背后的數學有一個概念性的理解，而不是把你帶入復雜公式和定理的兔子洞。