
分享
数据科学有志之士最常见的问题之一是 "对于机器学习,我需要知道多少数学?" 希望进入机器学习领域的学生往往将数学视为一个巨大的入门障碍。
行业中的守门人对这种担忧没有帮助,他们给学生贴上了不合格的标签,除非他们拥有该学科的硕士或博士学位。
那么,为了在数据科学行业工作,你需要知道多少数学?
答案是。没有你想象的那么多。
大多数公司在数据的帮助下解决非常类似的用例。他们要求数据科学家建立机器学习模型,可以预测客户流失,进行细分,并预测销售。
用于解决这些问题的方法是相似的,而且任务变得相当重复。没有必要重新发明轮子,他们使用开箱即用的ML算法。
即使出现了需要建立自定义机器学习模型的情况,对特定主题的直观理解也是足够的。你不需要去深究,也绝对不需要成为数学专家来成为数据科学家。
例如,我们知道梯度下降是用来寻找线性回归中的最佳拟合线的。你不需要开始学习如何解决微分方程,你只需要了解微积分的原理,就可以了解到这是如何做到的。
同样,如果你要用Tensorflow构建一个神经网络--你需要进行大量的矩阵操作,但你将在计算机程序的帮助下进行。由于这个原因,你不需要回去练习解代数方程。你只需要了解它们是如何工作的。
在这篇文章中,我将为你指出一些资源,帮助你开始学习数据科学的数学。我将专注于三个领域--线性代数、微积分和统计。
线性代数
线性代数--从基础到前沿。edX上的这门课程将在本科水平上教你线性代数。它从一个缓慢的空间开始,只要你有高中水平的数学知识,你就可以学习这个课程。
这门课程最好的地方是,它用Matlab中的实际例子教你线性代数,这让你通过算法和编程的视角来看待这个学科。如果你的目标是学习机器学习的线性代数,这种学习方法特别有用。
这个课程可以免费试听。如果你想获得结业证书,你可以申请财政援助。
3Blue1Brown--《线性代数精华》:我以前没有上过这门课,但在我自己寻找数学学习资源的过程中,曾多次遇到它。
许多有志于机器学习的人对这门课程深信不疑,因为它为学习者提供了对线性代数的概念性理解。与其学习任意的公式或机械地推导它们,你将获得对线性代数如何工作的直觉。如果你的最终目标是将这些概念应用于机器学习模型,这将是非常有帮助的。
微积分
我推荐两门为机器学习学习微积分的课程。微积分的本质》是3Blue1Brown开设的一门伟大的微积分入门课程。同样,这将为你提供对微积分概念的直观理解,并深入解释公式背后的意义,而不仅仅是让你记住它们。
接下来,你可以学习3Blue1Brown的神经网络系列。如果你知道如何使用Keras等库实现神经网络,但并不真正了解这些模型背后的工作原理,你应该学习这门课程。它为你提供了梯度下降算法的全面解释,以及其背后的微积分概念。
统计数字
概率与统计:To p or not to p? ?-库塞拉
这是我所学过的最好的统计学入门课程之一,由伦敦大学提供。这门课程是针对主修非数学专业的学生,如商业和金融。
正因为如此,统计学概念的解释方式简单易懂,并有许多真实世界的例子。
学习本课程后,你将对描述性和推断性统计、不同的抽样分布、抽样技术、置信区间以及P值的计算方法有所了解。
所有这些概念都可以直接应用于现实世界的数据分析。
统计学习-edX
这是另一个学习机器学习模型背后的直觉的优秀课程。
与本列表中的其他资源一样,本课程不太注重数学公式,而是以概念的方式解释机器学习模型。
然而,要学习这门课程,建议有一些微积分知识,因为导师倾向于使用符号,否则可能会使你感到困惑。
你将学习线性和逻辑回归等概念,以及正则化技术,如脊和套索回归,以及何时使用它们。有一整堂课专门讨论用于减轻过拟合的技术,并解释了这些技术背后的基本数学直觉。
这是我上过的最有帮助的课程之一,因为它帮助我不再把机器学习模型当作黑盒子。我对不同类型的模型应该用在什么地方,什么时候应该应用降维,以及什么时候执行不同种类的特征选择技术有了了解。
我花了很多时间试图回到过去,学习本科阶段的微积分和线性代数。然而,尽管花了很多时间学习公式和解微分方程,我的知识还是有脱节,因为我从来没有完全理解这些概念与机器学习算法的关系。
上述资源是突破这一障碍的好方法,因为它们让你对机器学习背后的数学有一个概念性的理解,而不是把你带入复杂公式和定理的兔子洞。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14