想带入门machine learning需要什么预备知识？

楼主大二，数学与应用数学专业，学习了微积分A（数学分析）；高等代数；解析几何，但是看见k-means算法还是歇菜了。

主要原因有三：
教授给的资料是全英文的
看不懂算法上面说的啥（策略问题，开学打算彻底学一遍概率论与数理统计，结果发现有问题 打算用啥学啥）
代码不会敲（已经准备开始学C/C++，但是听说Python就可以？）

补充内容 (2020-10-12 08:17):
ballball过来人给给exp！！QAQ

applied math大二想入行正是打基础的好时候。如果想走的远一些，可以先学习如下课程（道）再学习方法（术）。

概率分析课程：实分析->概率论->随机过程
                            |__>泛函分析
统计课程：数理统计+线性模型
计算：数值线性代数，凸优化。
编程：数据结构，算法。

以上课程大概需要两年，期间可以寻找适合的老师开始research。


想盖楼盖的高，地基是要牢靠的。但是想盖100层的地基和盖三层的地基需要的精力是不一样的。楼主可以根据自己的目标来决定地基做到什么份上。

过谦了。kmeans给数学的系当马桶纸都不配。

kmeans就两点：
点之间距离的度量，高等代数
最后centroid的收敛性，数学分析第一学期

我读完了ds master+三年工作经验，很少遇到需要超出大二数学内容。

ML是概率和算法的衍生。先打好数学和编程的基础。ML这东西水到渠成就会了。

greyman 发表于 2020-10-11 21:32:48
applied math大二想入行正是打基础的好时候。如果想走的远一些，可以先学习如下课程（道）再学习方法（术）。

概率分析课程：实分析->概率论->随机过程

谢谢！
祝您平安喜乐！

儒雅的玉羲 发表于 2020-10-11 18:25:22
kmeans就两点：
点之间距离的度量，高等代数
最后centroid的收敛性，数学分析第一学期

谢谢！
祝您平安喜乐！

optimization, gradient descent, OLS, convex function, taylor expansion, SVD, PCA (how to compute eigenvalue and eigen vector), derivative through chain rule, convolution,
同是applied math出身，现作ML，以上列举的这些都是applied math最基本的，也是ML的foundation

楼上诸位说的都对，我来说个更加重要的吧：英语。
据你说你连个kmeans的资料都看不下去了，要真是这样好好下功夫在英语上吧。以后的资料估计大部分都是英语的

Kmeans 的教学网上可以找到一堆动画演示，有时候学不明白可能是教材不好，晦涩难懂（也可能英语需要提高。。。
跟SVM比起来，clustering基本都算是容易理解的ML MODEL了。。。。