本文转载自大众号“读芯术”(ID：AI_Discovery)。

机器学习从只适用于研制人员的东西变成了被广泛采用运用的办法，多亏了开源机器学习和深度学习结构的爆炸性开展。现如今，机器学习范畴比以往任何时候都更简略上手。一起，这也助力了咱们现在所阅历的科技的张狂开展。

反抗算法是怎么真实作业的，能够协助你在规划、开发和调试机器学习体系方面取得巨大优势。许多人说到数学就打颤抖，机器学习恰巧触及许多数学常识，这项使命可能会令许多人怯步。

但是，数学并不应成为人们在机器学习范畴的“拦路虎”。相反，学好数学关于把握机器学习非常有必要。从高层次上讲，机器学习中触及四大数学支柱：线性代数、概率论、多元微积分、最优化理论。

为这些中心理论构建结实根底，了解最先进的机器学习算法(例如卷积网络、生成式对立网络等)的内部作业原理，咱们需求为此支付时刻，这并不是用一个下午能搞定的作业。

但鉴于你不断为此支付时刻，也能够在短时刻内便学到不少常识。在本文中，我挑选了五本对我最有协助的书本，期望对你也会有协助。

1. 《线性代数应该这样学》——谢尔顿·阿克斯勒

假如以“传统”办法教育线性代数(先学习行列式和矩阵，再学习向量空间)，对初学者而言太难了，线性代数将成为一门美丽却困难的学科。

当咱们把教育次序互换一下，这门课程会变得非常直观和明晰。本书以非常友爱和有见地的办法介绍了线性代数。多期望我开端是经过这本书学习的线性代数而不是老办法。

2. 《与深度学习神交》——安德鲁·特拉斯克

\

这本书是这个清单中我最喜欢的一本。假如你只要阅览一本书的时刻，必定不要错失这本。

本书包含了对神经网络内部作业原理的完好实操介绍，选取了代码片段作为一切资料。虽然这本书并非专门针对高等数学，但读过这本书后，你对深度学习数学常识的了解将多于95%的数据科学家、机器学习工程师和其他开发人员。

你还能够从头开端构建神经网络，这或许是最佳的操练办法。当用机器学习开端构建神经网络时，我也曾运用NumPy从零开端构建了卷积网络。

3. 《概率论：给满腔热情的初学者》——大卫·莫林

大多数有关机器学习的书本都没有正确地介绍概率论，而是充满了令人困惑的符号，且常常混杂密度函数和离散散布。读者假如没有厚实的概率论布景常识是很难了解的。

而本书将为你带来对概率论具体、正确且简略明晰的介绍。这适用于之前对概率论没有任何了解的学习者。

4. 《多变量微积分》——丹尼斯·奥鲁 (来自麻省理工学院敞开式课程)

这并不是一本书，而是麻省理工学院一门有关多变量微积分并可对大众敞开的大学录制课。在我所知道的一切资源中，这门课程是迄今为止对该主题的最佳介绍。

关于有单变量微积分布景常识的听课者来说，这门课程能够如虎添翼，即使没有，听课者也能够轻松跟上。它仅有的缺陷是没能很好地介绍到的常识点是梯度下降算法，而这是神经网络的根底。

5. 《深度学习》——伊恩·古德费洛、约舒亚·本吉奥与亚伦·库维尔

这本书由机器学习范畴中一些最有才调的人编撰而成，包含了上述的一切理论，是深度学习研究人员和开发人员的首选资源。该书归纳了数学理论并运用了重型机器，为比如卷积和递归网络、主动编码器等最新深度学习办法供给了牢靠辅导。

最棒的一点是我们能够在线上免费阅览这本书(https://www.deeplearningbook.org/)。

在我罗列出的一切书目中，这本书可能是最难以了解的。了解深度学习需求从概率论的视点看待算法真实有些困难。

图源：unsplash

霸占这些书目必定算不上轻松，或许会花费不少时刻，但信任我，你必定会有所收成。堆集常识是最好的出资。这些常识将为你构建机器学习体系带来巨大优势，更不用说机器学习背面的理论自身便是非常夸姣而诱人的。