不知道这是否适合本网站，但是我正在开始我的计算机科学硕士学位（应用数学学士学位），并希望拥有强大的机器学习背景（我很可能会攻读博士学位）。我的次级兴趣之一是神经网络。
人工神经网络的良好数学背景是什么？像在机器学习的其他领域一样，我认为线性代数很重要，但是数学的其他哪些领域也很重要？
我计划阅读《神经网络：系统介绍或用于模式识别的神经网络》。是否有人提出任何建议或替代建议？
不知道这是否适合本网站，但是我正在开始我的计算机科学硕士学位（应用数学学士学位），并希望拥有强大的机器学习背景（我很可能会攻读博士学位）。我的次级兴趣之一是神经网络。
人工神经网络的良好数学背景是什么？像在机器学习的其他领域一样，我认为线性代数很重要，但是数学的其他哪些领域也很重要？
我计划阅读《神经网络：系统介绍或用于模式识别的神经网络》。是否有人提出任何建议或替代建议？
Answers:
数学部分可能至少包括高级代数，三角函数，线性代数和微积分。
但也要跳出框框。还需要具备良好的编程技能，包括扎实的算法基础（Coursera拥有两门算法课程）以及熟练使用MatLab，Octave或R（以及Java，C / C ++或Python等灵活的编程语言）。我提到这些是为了回答您的问题，因为我认为它们是更多的“应用数学”技能，并且是在理论和应用实现之间进行转换的基础。
我参加了许多与机器学习相关的Coursera课程（并且与另一位海报作者一致认为Ng教授的机器学习很棒）和NN。几个月前，Coursera通过多伦多大学和Geoffrey Hinton主持了一个神经网络课程（不确定是否仍然可用）。一个很好的课程和要求：微积分的知识，Octave（类似于MatLab的开源克隆）的熟练程度，良好的算法设计（可伸缩性）和线性代数。
您可能还（虽然不是数学本身）（考虑自然语言处理（用于特征提取等），信息检索，统计/概率论以及机器学习的其他领域（以获得更多理论））。诸如机器学习基础（Mohri）或机器学习入门（Alpaydin）之类的最新文章可能对您弥合理论到实现的复杂性很有帮助（我认为这可能是一个艰难的飞跃）-两者都课文的数学运算量很大，尤其是基础知识。
同样，我认为所有内容都与数学和NN有关，但从广义上讲。
参见：http : //www.quora.com/Career-Advice/How-do-I-become-a-data-scientist 第二个答案。相当完整的路线图。
机器学习渐进入门：遵循Standford的Andrew Ng 出色的机器学习101课程。我觉得很棒吗？