#机器学习数学路线图##学AI之前先补这几门数学#

机器学习要学哪些数学知识？

这篇文章给初学者画了一张“数学地图”：从零基础到神经网络背后的原理，涉及到的数学知识被拆成三大模块，每一块该学到什么程度、先学什么、后学什么，都写清楚了。

- 线性代数：是描述模型的语言，矩阵、向量、特征值、线性变换，这些都是神经网络的“结构骨架”；

- 微积分：是训练模型的工具，优化、求导、梯度下降，全靠它；

- 概率论：是做预测时的底层逻辑，理解损失函数、熵、交叉熵、KL散度，离不开这部分。

文章还特别强调了学习顺序，比如线性代数不建议一上来就啃矩阵，而是从「什么是向量空间」学起。

如果你学AI卡在数学那关，这篇内容非常适合当成学习参考路线图来看，查缺补漏也很方便。

原文地址放这里：thepalindrome.org/p/the-roadmap-of-mathematics-for-machine-learning