学习机器学习算法所需的概率基础的最佳方法是什么？

几年前，我在大学里修过一门概率论课程，但现在我正在学习一些机器学习算法，其中一些数学令人迷惑。

尤其是现在，我正在学习EM算法（期望最大化），似乎在我所需要的和所拥有的之间有很大的脱节。

我不是要书或网站，而是要学习足够多的这些主题以对使用它们的算法有透彻了解的方法是什么？是否需要阅读一本书并进行数百次练习？还是从这个意义上讲，这种杀伤力过大？

编辑：如果这是此问题的错误位置，请投票迁移:)

许多书籍和有关机器学习的在线介绍都对内容中所需的概率进行了一些介绍，因此，我将从一本或几本此类书籍开始。我脑海中浮现出统计模式识别（可能是因为我在那儿学习了EM）和《统计学习的要素》。

我的真正建议是安德鲁·摩尔（Andrew Moore）的《统计数据挖掘教程》。那是弥补我开始博士学位之前的差距的网站（来自工程背景）。我知道您说过您不是在询问网站，而是在决定之前先查看一下那里的数据挖掘者的概率和其他概率幻灯片。并查看EM的高斯混合模型。

是否需要阅读一本书并进行数百次练习？

我不这么认为。机器学习中的概率计算倾向于围绕一些众所周知的路径进行聚类。对高斯一维和多维分布有很好的了解，并研究了一些关于EM的解释，应该会使您走得更远。和线性代数。您将需要很多线性代数。

人工智能在过去十年中变得越来越重要，它在很大程度上取决于AI在我们日常生活中的发展和集成。人工智能已经取得的进步令人震惊，其中包括自动驾驶汽车，医疗诊断，甚至是在Go和Chess等战略游戏中对人类的投注。

人工智能的未来非常有前途，离我们拥有自己的机器人伴侣也不远。这促使许多开发人员开始编写代码并开始为AI和ML程序进行开发。但是，学习编写用于AI和ML的算法并不容易，并且需要广泛的编程和数学知识。

数学为这两个流的编程奠定了基础，因此发挥了重要作用。

数学对于机器学习很重要的原因有很多。其中一些如下：

选择正确的算法，包括考虑准确性，训练时间，模型复杂性，参数数量和特征数量。选择参数设置和验证策略。通过了解偏差-方差权衡来确定欠拟合和过拟合。估计正确的置信区间和不确定性。

机器学习需要什么类型的数学？

数学对于学习机器学习或人工智能绝对必要。对ML中的概念和算法的任何更深入的了解都需要一些基本的数学知识。

三个主要的数学理论：线性代数，多元微积分和概率论。

线性代数–

机器学习中使用线性代数符号来描述不同机器学习算法的参数和结构。这使得线性代数成为理解神经网络如何组合以及它们如何运行的必要。

它涵盖了以下主题：

标量，向量，矩阵，张量矩阵范数特殊矩阵和向量特征值和特征向量多元演算–

这用于补充机器学习的学习部分。它是用来从示例中学习，更新不同模型的参数并提高性能的。

它涵盖了以下主题：

导数积分梯度微分算子凸优化概率理论

在设计这些深度学习或AI算法时，这些理论用于对基础数据进行假设。对于我们而言，了解关键的概率分布非常重要，

它涵盖了以下主题：

概率要素随机变量分布方差和期望特殊随机变量如何快速学习机器学习的数学？

数据科学数学的自我启动方式是通过“做事”来学习。即使这样，您还是要预先学习或复习基本理论。您无需阅读整个教科书，但您首先需要学习关键概念。

作为软性先决条件，我假设使用线性代数/矩阵演算（因此您不会陷入表示法）和介绍概率的基本舒适性。

如果您想深入学习数学以进行机器学习，那么在线上有n种课程可供选择，例如，

可汗学院的线性代数，概率与统计，多变量微积分和优化。

eduonix上机器学习和AI的数学基础

在udemy上学习机器学习数学

编码矩阵：通过计算机科学应用程序的线性代数，布朗大学的Philip Klein。

拉里·瓦瑟曼（Larry Wasserman）的书-所有统计资料：统计推断简明课程。

请记住，您通过做事学到了最好的东西，可惜这些课程没有足够的作业和功课

我推荐的是机器学习和AI的数学基础 -这门课程不是完整的数学课程；它并非旨在取代学校或大学的数学教育。相反，它专注于您在机器学习研究中会遇到的关键数学概念。

您将学到的内容：

以及更多……

在本课程结束时，您不仅将拥有构建自己的算法的知识，而且将不具有真正开始将算法用于下一个项目的信心。

该课程还附带项目和测验，以帮助巩固您对数学概念的了解。

它旨在为那些在正规教育中错过了这些关键概念的学生，或者需要在长时间学习数学后恢复记忆的学生提供补习。

我认为这门课程比在开始时花2到3个月的时间浏览材料，然后在碰到它时忘掉一半的知识要好得多。

尝试理解所显示的基本概念，并始终记得玩得开心！