作為人工智能的重要分支，機器學習已成為推動當下人工智能發展的核心驅動力。無論是谷歌搜索引擎、購物平臺推薦給你的個性化商品、越來越懂你的網易雲音樂、人臉識別、京東的快遞機器人小哥，還是最近刷爆了朋友圈的谷歌猜畫小歌等，都用到了機器學習技術。與傳統的設備和方法相比，機器學習降低了操作成本，並且在提高效率、速度和準確率方面，一次又一次刷新著人們的認知。
人工智能與機器學習的聯繫
隨著機器學習在各個領域大放異彩，機器學習方向的工程師越來越成為稀缺資源，月薪20k起步已經成為業內常態。很多人希望能通過短暫學習，進而達到求職或者轉行的目的，但這種急功近利的學習方式，培養出來的學員往往思想被束縛，基礎薄弱且創新能力不強。而企業面對的實際問題，並不是直接套用現成的機器學習算法或者模型可以解決的，通常需要具體問題具體分析，這就需要工程師具備舉一反三的能力和紮實的基礎知識。各大企業的機器學習算法工程師崗位招聘需求，比較清晰地反應了這一點：
頭條實驗室：紮實的數學和算法基礎：概率統計、數值優化算法；
滴滴出行：熟悉經典的算法並有實踐經驗優先，有統計學相關研究背景優先；
綜合來說，企業真正需要的人才是對機器學習算法既知其然，又知其所以然的工程師，而不是隻會調用函數庫的調參工。
數學是AI人才不可逾越的基礎技能
數學，作為表達與刻畫機器學習模型的工具，是深入理解機器學習算法原理的基石，也是算法創新的基礎技能。當下，無論是科研院校AI方向的研究生招生，還是AI企業技術崗位招聘，都明確說明數學專業的優先，可見數學之重要。
近期，專注於人工智能在線教育的深藍學院，聯合南京大學、中科院自動化所、清華大學的博士，共同推出《機器學習數學基礎》課程，在課程知識點設計和內容安排上，可以參考。課程內容主要包括引言、函數求導、矩陣論、凸優化、概率論與數理統計、信息論六部分，並輔以線性迴歸及其應用、SVM及其應用、BP算法及其應用、樸素貝葉斯及其應用、決策樹及其應用等五個實踐案例。課程將機器學習算法與數學知識點高度融合，做到從人工智能中來，到人工智能中去，而不是單純地講解數學知識點。
課程大綱—引言部分
第一節：數學之於機器學習的必要性和重要性
課程大綱—函數求導
第一節：背景介紹（以誤差逆傳播算法為例）
第二節：函數的極限
第三節：偏導數、方向導數、梯度
第四節：複合函數求導的鏈式法則
第五節：案例分析（BP算法及其應用）
課程大綱—矩陣論
第一節：背景介紹（以線性迴歸為例）
第二節：矩陣概念與運算
第三節：矩陣範數
第四節：矩陣的行列式、逆、秩和逆
第五節：矩陣的特徵值和特徵向量
第六節：奇異值分解
第七節：矩陣導數
第八節：矩陣二次型與半正定
第九節：案例分析（線性迴歸及其應用）
課程大綱—凸優化
第一節：背景介紹（以支持向量機（SVM）算法為例）
第二節：優化問題與極值
第三節：凸優化基礎
第四節：對偶理論
第五節：案例分析（SVM及其應用）
課程大綱—概率論與數理統計
第一節：背景介紹（以樸素貝葉斯算法為例）
第二節：隨機變量及概率分佈
第三節：聯合概率，邊緣概率，條件概率，貝葉斯定理
第四節：期望、方差/標準差、協方差
第五節：不等式（切比雪夫不等式等）
第六節：獨立性，條件獨立性，相關性
第七節：常用分佈及特例
第八節：KL散度
第九節：極大似然估計
第十節：案例分析（樸素貝葉斯及其應用）
課程大綱—信息論基礎
第一節：背景介紹（以決策樹算法為例）
第二節：信息論中的基本概念（上）
第三節：信息論中的基本概念（下）
第四節：案例分析：決策樹及其應用
閱讀更多 深藍學院 的文章
