本文介绍了在机器学习和计算机视觉领域中数学的重要性，特别是线性代数、统计学、微积分、偏微分方程、泛函分析、测度理论、拓扑学、微分流形、李群论和图论等。这些数学分支为解决研究问题提供了理论基础，如线性代数和统计学在机器学习中的核心地位，微分方程在动态过程描述中的应用，以及图论在图模型和能量优化中的作用。
如果是软实力,学好数学才是王道!
和机器学习和计算机视觉相关的数学(转载)
(以下转自一位MIT牛人的空间文章，写得很实际：)
作者：Dahua
感觉数学似乎总是不够的。这些日子为了解决research中的一些问题，又在图书馆捧起了数学的教科书。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。对于Learning的研究，
1、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等。它们侧重虽有不同，但是常常是共同使用的，对于代数方法，往往需要统计上的解释，对于统计模型，其具体计算则需要代数的帮助。以代数和统计为出发点，继续往深处走，我们会发现需要更多的数学。
2、Calculus (微积分)，只是数学分析体系的基础。其基础性作用不言而喻。Learning研究
最低0.47元/天 解锁文章
2572
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
