0.绪论

本方案适用于cser，对ai深入学习

1.数学基础

1.1高等数学

需要重点学最小二乘法，条件极值，拉格朗日乘子法，方向导数，梯度，几何

从高等数学角度理解最小二乘法

高等数学-上交-乐经良

重点学一元微积分和多元微积分，微分方程和曲线积分，级数不需要学

数学分析-陈纪修

重点学习他的插值和泰勒公式。

书籍：

《同济七版高等数学》，我觉得这本高数书非常好，在国内教材中，少见好教材，无论是证明还是课后的习题。

1.2线性代数

重点学矩阵，QR分解，奇异值(svd)分解,范数

从矩阵角度理解一元线性回归，即最小二乘问题

线性代数-MIT

国内好的线代课不多，我当时学只有一个学期，课时很少，学了个皮毛，后面考研又深入学了学，这门课对以后的机器学习非常重要。机器学习很多公式推导都需要它。

线性代数本质极力推荐，没有几何，代数学的就很吃力。

【手推机器学习】矩阵求导--合集哔哩哔哩bilibili

矩阵求导在大部分高等代数/线性代数课里面都不太会讲需要补充

矩阵分析

需要补充范数和svd分解，qr分解

书籍：

《线性代数及其应用》David C. Lay，从应用角度比同济的要好

1.3概率论与数理统计

重点学极大似然估计，假设检验，贝叶斯公式，回归分析

从概率统计角度理解一元线性回归

Python统计与数据分析实战

结合python讲统计学，学完这门课对于python也会有一定帮助

书籍推荐

• 概率论与数理统计教程茆诗松

1.4最优化

最优化理论-上交大

书籍：

凸优化Stephen Boyd / 王书宁

信息论

补充：

机器学习数学基础（基于python）

数学结合pyhon讲授

2.python相关

以下四个教程均来自同一个up讲的很不错，学习机器学习必看

python基础

题库

牛客网 python入门or CS61A题库

学完后做一些oj题目，对于熟悉语法有些帮助

numpy基础

牛客网python数据分析

pandas基础

mataplot可视化基础

3.机器学习理论

北邮机器学习

理论基本看一遍西瓜书+视频讲解就可

机器学习推导及代码实现

手把手教会机器学习与数据挖掘理论

相对通俗易懂

西瓜书+统计机器学习

4.机器学习公式

白板推导

机器学习需要手推公式，看之前应该过一遍数学基础哦

5.机器学习实践

机器学习算法基础

总之初学者先学会调包吧。实际上大部分工作集中在预处理上了(