那些数学不好的程序员？最后都如何了（文末送书）
不能說每個深耕機器學習的人都學過吳恩達的《機器學習》課程，但他的這門課確是目前讓機器學習初學者能夠快速對整個體系知識點有比較整體的認識，便于快速入門的首選及最熱課程。
?
根據2019年Freecodecamp的統計，這門課是所有在線Machine Learning課程中最受到大家好評的課程。
?
Coursera上評分4.9，現已有有超15萬個評分及近4萬條評論
?
不過，凡事見仁見智，有好評，同時也就會有質疑。
?
例如，不少網友在知乎上討論，“說好的是入門級課程，怎么聽著很費解啊？”
?
真的是這個入門級經典課程太難嗎？
究其原因，真的是這個入門級經典課程太難嗎？
?
不是的！說這門課難的發言里，看得出來，大多卡在了“數學”上。
?
甚至這類學習者本人并沒有意識到原因：“我覺得對有點點基礎的人，不必刻意學習數學，看ML的教材時候不懂的再去查，重心應該放在實戰上。”
?
所以，學吳恩達的課程真的不需要“刻意學習數學”嗎？再深究一下，機器學習真的不需要數學基礎嗎？
?
我們先來回答前一個問題。
?
吳恩達的機器學習課程籠統主要指這兩門，一門是Cousera上的課程Machine Learning | Coursera，一門是斯坦福大學的課程CS229:Machine Learning，國內討論較多的是前者。
?
有人在Github開源了吳恩達MachineLearning個人筆記，用Python復現了課程作業，星數超2萬，下載超100萬次。
?
面對這份干貨滿滿的筆記，制作者收到反饋：“很多同學說看不懂公式。”
是不是感覺這個配方很熟悉！說白了，還是數學底子不夠啊。
?
“我增加了數學基礎作為附件放在筆記里。”在最新一個版本里，制作者針對大家的問題，增加了數學基礎筆記。
?
此外，吳恩達在斯坦福大學開設的CS229課程，他在第一次課上便講到了先修要求：他假定上課的人都是有一定數學基礎的。
?
?
可見，不是入門級經典課程太難，而是這個課程真的是需要大家有一定的數學基礎。
機器學習需要數學基礎嗎？
?
我們再來探究第二個問題：機器學習需要數學基礎嗎？
?
答案和上一個問題一樣，需要。
?
數學在機器學習中非常重要，不論是在算法上理解模型代碼，還是在工程上構建系統，數學都必不可少。
?
盡管機器學習的普及已經促使 Python 和 R 產生了許多易于使用并得到廣泛支持的庫，它們提供了某種機器學習的捷徑，似乎繞過了這類操作所需算法背后的數學。然而，機器學習背后的數學原理基本不變。
?
賓夕法尼亞大學計算機系教授Jean Gallier主編了一本機器學習的“數學全書”， Algebra,Topology, Differential Calculus, and Optimization Theory For Computer Scienceand Engineering，中文名為《計算機科學和機器學習相關代數、拓撲學、微分學和最優化理論》，用了1900余頁來闡述機器學習所需的數學知識。
?
?
機器學習是集合了統計學、概率論、計算機科學、數學算法多等方面交叉研究，即便對機器學習的應用爐火純青，但對這些技術沒有一個全面的數學理解，也極有可能出現應用失誤。
?
機器學習嚴重依賴于數學。為什么這么說，從依賴于機器學習的人臉識別算法這一例子來具體理解一下：
?
?
示例數據集中的圖像像素以向量的形式存儲在矩陣中。這利用到了線性代數。如果拍攝彩色圖像的話，那么根據使用的顏色方案使用若干個矩陣，并將每個像素的強度存儲在這些向量中。這使得處理數據變得容易，并且便于對它們進行向量操作，將現有的人臉與給定圖片中的人臉進行比較。
?
用微積分可以解決當前誤差的梯度。繪制出人臉的定義與給定圖片之間的誤差梯度。如果梯度超過容許限度，則通過更新其存儲的向量的系數來更新人臉的定義。
?
任何算法都不能給出100%可靠的輸出。因此，要使用概率來判定給定圖片是否存在人臉。概率將輸入與算法的容限因子進行比較。
?
統計學貫穿于算法所經歷的各個過程，也被用來檢驗假設，該假設是給定圖像存在人臉，并且檢驗結果顯示虛假設（null hypotheses）或備擇假設（alternative hypotheses）是否被接受。
?
數學決定了開發人員的上限，就機器學習這一領域而言，若想走得更長遠，那真的要儲備并深刻理解一些數學知識。
想深耕入門機器學習，開發人員應具備哪些數學知識？
想深耕機器學習，開發人員應具備哪些數學知識？并且如何學好數學呢？推薦雷明老師編寫的《機器學習的數學》一書。
?
機器學習的數學
作者：雷明
進群領取學習資料
?
內容簡介：
本書的目標是幫助讀者全面、系統地學習機器學習所必需的數學知識。全書由8章組成，內容包括微積分、線性代數與矩陣論、最優化方法、概率論、信息論、隨機過程、以及圖論。本書從機器學習的角度講授這些數學知識，對它們在該領域的應用舉例說明，使讀者對某些抽象的數學知識和理論的實際應用有直觀、具體的認識。
?
本書內容緊湊，結構清晰，深入淺出，講解詳細，可用作計算機、人工智能、電子工程、自動化、數學等相關專業的教材與教學參考書。對人工智能領域的工程技術人員與產品研發人員，本書也有很強的參考價值。對于廣大數學與應用的數學愛好者，本書亦為適合自學的讀本。
?
作者介紹：
雷明，SIGAI聯合創始人&CEO，是人工智能和機器學習領域的資深專家。畢業于清華大學計算機系，獲得研究生學位。
?
雷明是前百度工程師、項目經理，有超過12年的機器學習、機器視覺、自然語言處理方面的豐富經驗。
文章編輯：代晨晨? 審校 陳瀟 劉鑫
參考來源：
https://zh.coursera.org/learn/machine-learning
https://www.freecodecamp.org/news/every-single-machine-learning-course-on-the-internet-ranked-by-your-reviews-3c4a7b8026c0/
https://www.zhihu.com/question/65780182
https://zhuanlan.zhihu.com/p/43637164
https://www.zhihu.com/question/66734784/answer/1204003247
https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
https://mp.weixin.qq.com/s/IlyQpJpezMG9y37aBk2m-w
http://cs229.stanford.edu/
https://www.dspwj.cn/archives/654
https://medium.com/analytics-vidhya/role-of-mathematics-in-machine-learning-f070e7cf6128
福利來了??
評論區留言送書！
你在學習機器學習的數學知識的過程中遇到過哪些問題？希望讀者后續分享哪個系列的干貨？對于用心留言（20字以上）點贊前8名的同學將送書一本，到1月23日22:00截止。當然你也可以直接購買：
總結
以上是生活随笔為你收集整理的那些数学不好的程序员？最后都如何了（文末送书）的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 360浏览器怎么保存网页账号密码
- 下一篇： es 吗 查询必须有sort_Elast