机器学习中的数学（1）：MIT大牛写的综述

“ 想要深入了解机器学习和深度学习背后的数学支撑？想要避免成为调包侠？想要做更前沿更基础的研究？不仅是 Import xxx as xx，这里是***“机器学习中的数学”***第一篇，带你从宏观上认知AI背后的数学 ”

图片若挂了，大家可以移步
https://mp.weixin.qq.com/s?__biz=MzU4NTY1NDM3MA==&mid=2247483795&idx=1&sn=303cf4af7636825c59e59076df929b9e&chksm=fd86089ecaf18188f5b6aba3674fc0a24d563bee5bf8d8df31ee3d5dae8cfa3be17f66fd7a97&token=255604471&lang=zh_CN#rd

00 导言

机器学习的数学原理（1）：宏观介绍篇
申明：本文内容来源于一位MIT大牛对机器学习中的数学的综述，原文地址已经找不到了（如果有人知道原文地址的话，不妨与大家分享），我将内容转来与大家分享，并做了一些改动和补充(主要是增加了凸优化与非凸优化的部分，并在文末贴上了一些数学课程的学习资料)，以下是文章内容。

从大学到现在，课堂上学的和自学的数学其实不算少了，可是在研究的过程中总是发现需要补充新的数学知识。Learning和Vision都是很多种数学的交汇场。看着不同的理论体系的交汇，对于一个researcher来说，往往是非常exciting的enjoyable的事情。不过，这也代表着要充分了解这个领域并且取得有意义的进展是很艰苦的。记得在两年前的一次blog里面，提到过和learning有关的数学。今天看来，我对于数学在这个领域的作用有了新的思考。

01 代数与统计

对于Learning的研究，Linear Algebra (线性代数) 和 Statistics (统计学) 是最重要和不可缺少的。这代表了Machine Learning中最主流的两大类方法的基础。一种是以研究函数和变换为重点的代数方法，比如Dimension reduction，feature extraction，Kernel等，一种是以研究统计模型和样本分布为重点的统计方法，比如Graphical model, Information theoretical models