https://zhuanlan.zhihu.com/p/123999428
整理了部分机器学习相关的书籍，如下图所示：
已共享到百度网盘，下载链接：
链接：pan.baidu.com/s/15YhNo6 提取码：ue2y
机器学习和深度学习中所用的数学知识主要来自以下几门课：
1.高等数学/微积分
2.线性代数与矩阵论
3.概率论与信息论
4.最优化方法
5.图论/离散数学
除此之外，有些理论和方法可能会用到更深的数学知识，如实变函数，泛函分析，微分几何，偏微分方程等，但对一般的方法和理论，这些知识不是必须的，因此我们可以忽略它们。对大多数人来说，没必要为了那些不常见的方法和理论而去学这些复杂的数学知识，这会大幅度的增加学习的成本与难度。
前面所列的5门数学知识中，矩阵论，信息论，最优化方法是国内理工科本科生基本上没有学过的。图论除了计算机类的专业之外，一般也不会学。如果想全面而系统的学好机器学习与深度学习，补上这些数学知识是必须的。
微积分是现代数学的基础，线性代数，矩阵论，概率论，信息论，最优化方法等数学课程都需要用到微积分的知识。单就机器学习和深度学习来说，更多用到的是微分。积分基本上只在概率论中被使用，概率密度函数，分布函数等概念和计算都要借助于积分来定义或计算。
几乎所有的机器学习算法在训练或者预测时都是求解最优化问题，因此需要依赖于微积分来求解函数的极值，而模型中某些函数的选取，也有数学性质上的考量。对于机器学习而言，微积分的主要作用是：
1.求解函数的极值
2.分析函数的性质
下面列出机器学习和深度学习中所需的微积分知识点，显然，不是课本里所讲的所有内容都是需要的，我们只列出所必须的。