本文经机器之心（）授权转载，禁止二次转载
选自towardsdatascience，作者：TivadarDanka，编辑：小舟、陈萍
机器之心编译
大学时期学的数学现在可能派上用场了，机器学习背后的原理涉及许多数学知识。深入挖掘一下，你会发现，线性代数、微积分和概率论等都和机器学习背后的算法息息相关。
机器学习算法背后的数学知识你了解吗？在构建模型的过程中，如果想超越其基准性能，那么熟悉基本细节可能会大有帮助，尤其是在想要打破SOTA性能时，尤其如此。机器学习背后的原理往往涉及高等数学。例如，随机梯度下降算法建立在多变量微积分和概率论的基础上。因此掌握基础的数学理论对于理解机器学习模型很重要。但如果你是没有数学基础的初学者，这里有一份学习路线图，带你从零开始深入理解神经网络的数学原理。大多数机器学习都建立在三种数学理论的基础上：线性代数、微积分和概率论，其中概率论的理论又基于线性代数和微积分。微积分微积分包括函数的微分和积分。神经网络本质上是一个可微函数，因此微积分是训练神经网络的基本工具。首先，函数的导数定义如下在极限定理中，这也是点x处切线的斜率。下图说明了这个概念：将函数的导数可视化。微分可以用来优化函数：导数在局部极大值和极小值处为零。（也有例外，例如：f(x)=x3，x=0），导数为零的点称为临界点。临界点是最小值还是最大值可以通过查看二阶导数来确定：求导存在一些基本法则，其中最重要的可能是链式求导法则：上式告诉我们如何计算复合函数的导数。微分和积分互为逆运算，这是因为：它适用于任何可积函数f(x)。函数的积分也可以看作是曲线下的有符号面积。例如：因为当函数是负的时候，这里的面积也有一个负号：在-π到π的区间内，正弦函数曲线下的有符号面积。推荐一些比较好的学习资源，麻省理工学院的单变量微积分课程和GilbertStrang的教科书。MIT课程链接：