本文转载自公众号《核心阅读》（ID：AI_Discovery）。由于开源机器学习和深度学习框架的爆炸式增长，机器学习已经从仅供开发人员使用的工具转变为广泛采用的方法。今天，机器学习领域比以往任何时候都更容易获得。同时，它也促成了我们目前正在经历的技术的疯狂发展。弄清楚算法的真正工作原理可以为您在设计、开发和调试机器学习系统方面带来巨大优势。很多人一提到数学就不寒而栗，而机器学习恰好涉及到很多数学，这是一项让很多人望而生畏的任务。但是，数学不应该成为机器学习领域人们的“绊脚石”。相反，学习数学对于掌握机器学习是非常必要的。在高层次上，机器学习涉及数学的四大支柱：线性代数、概率论、多元微积分和优化理论。为这些核心理论打下坚实的基础并理解最先进的机器学习算法（例如卷积网络、生成对抗网络等）的内部工作原理需要时间，不是一个下午就能完成的事情。但是既然你持续投入时间在这上面，你也能在短时间内学到很多东西。在这篇文章中，我挑选了五本对我帮助最大的书，希望它们对你也有帮助。1.《线性代数应该这样学》——SheldonAxler线性代数如果用“传统”的方式讲授（先学行列式和矩阵，再学向量空间），对于初学者来说太难了，而线性代数将是一门美丽而难懂的学科纪律。当我们改变教学顺序时，这门课就会变得非常直观和清晰。这本书以非常友好和有见地的方式介绍了线性代数。希望我最初是通过这本书而不是旧方法学习线性代数的。2.《与深度学习神交》-AndrewTrask\这本书是我最喜欢的书单之一。如果你只有时间读一本书，千万不要错过这本书。这本书包含对神经网络内部工作原理的完整实践介绍，并为所有材料选择了代码片段。虽然这本书不是专门针对高等数学的，但是读完这本书，你会比95%的数据科学家、机器学习工程师和其他开发者更了解深度学习数学。您还可以从头开始构建神经网络，这可能是最好的练习方式。当我开始使用机器学习构建神经网络时，我还使用NumPy从头开始??构建卷积网络。3.《概率论：给满腔热忱的初学者》-DavidMorin大多数关于机器学习的书籍都没有正确介绍概率论，而是充斥着令人困惑的符号，并且经常将密度函数与离散分布混淆。没有扎实的概率论背景知识的读者很难理解。本书将为您带来详尽、正确、通俗易懂的概率论介绍。这适用于没有任何概率论基础知识的学习者。4.《多变量微积分》-DennisOru（来自MITOCW）这不是一本书，而是MIT录制的面向公众开放的多变量微积分大学课程。在我所知道的所有资源中，本课程是迄今为止对该主题的最佳介绍。对于具有单变量微积分背景的人来说，这门课程将是一个很好的补充，即使没有它的人也可以轻松学习。它唯一的不足就是没有很好介绍的知识点是梯度下降算法，它是神经网络的基础。5.《深度学习》-IanGoodfellow、JoshuaBengio和AaronCuvier由机器学习领域一些最有才华的人撰写，本书包含上述所有理论，是深度学习研究人员和开发人员的首选资源.综合数学理论并使用重型机械，这本书为最新的深度学习方法提供了坚实的指南，例如卷积和循环网络、自动编码器等。最好的部分是您可以免费在线阅读本书(https://www.deeplearningbook.org/)。在我列出的所有书籍中，这本书可能是最难理解的。理解深度学习需要从概率的角度来看算法。来源：Unsplash征服这些参考书目绝对不是一件容易的事，可能需要很多时间，但相信我，你一定会有所收获的。积累知识是最好的投资。这些知识将为您在构建机器学习系统方面提供巨大优势，更不用说机器学习背后的理论本身是美丽而迷人的。
