先打好数学基础: 线性代数: 矩阵/张量乘法求逆奇异值分解/特征值分解行列式范数 统计与概率:概率分布独立性与贝叶斯最大似然(MLE)最大后验估计(MAP) 优化:线性优化非线性优化(凸优化/非凸优化)以及其衍生的求解方法如梯度下降、牛顿法、基因算法和模拟退火等; 微积分:偏微分链式法则矩阵求导 信息论: 数值理论 选择合适的机器学习书籍,选择合适的编程语言和软件,实践最重要。