这些可都是曾经让我花了36个小时就掌握了机器学习深度学习所需数学知识的书啊！
最近有挺多准研究生来问我，想要补充机器学习深度学习所需的数学知识建议看哪些书？那我今天就给大家推荐三本我个人觉得很不错的书，并且会告诉你每一本书都分别适合什么人、可以学到什么程度、有什么特点、书的具体内容，希望对大家有帮助吧。
因网盘易和谐，如果你需要这三本书，包括它们的数据集代码等都可以直接扫码添加我的助手让她无偿及时发送给你最新网盘链接就好，无套路，保证添加即发！
为了避免单个微信添加频繁，故备了两个微信，大家随意添加一个即可1.首先是第一本，白话机器学习的数学：
这本书非常适合用来入门！所以它适合两种人，第一种是数学基础比较差的人，因为它只需要最基础的高中数学知识就能全看明白，还有一种就是不想太深究机器学习深度学习模型原理只想浅尝辄止下然后立马通过编程用起来的人。因为它讲解到的数学知识只适合入门，不够深。后续如果你想进阶，我等下会推荐其它的书作为补充。
这本书最大的特点是采用了对话式的讲述方式，可以让你跟着作者的思路非常顺畅的阅读下去不分神，有点像看故事书的感觉，不像我们平时看的干巴巴的教材，是看完了知识脉络和重点知识后开始刷题，然后遇到不懂的再反过来查看前面的内容。
比如说学习回归这里，它是通过工作中一个常见的问题来引出应该用什么机器学习算法来解决，然后引出这个机器学习算法所需的数学知识，以解决常见问题为主线来慢慢推导解释所需的数学知识，一下子就能听进去听明白了！非常有意思。
而且这本书一直都在强调学习目的性，这也是我一直坚持的观点，不管看任何书都一定要带着目的去看，比如说你希望了解到机器学习中有哪些能用到数学的地方，带着这个问题去记录类似于我这样的笔记，才不至于迷失在知识的海洋中。
读完这本书你就能够推导一些基础的处理分类回归任务的机器学习算法，并且能理解模型评估与优化的逻辑。对于复杂的机器学习算法还是不太够。
书的具体内容大家可以暂停看一下。
2.然后是第二本，深度学习的数学：
这本书适合的人其实和刚才那本是非常像的，不一样的点是这本书讲的更加的深入些且是专注于深度学习所需的数学知识，所以这得看大家是主要学习传统机器学习算法还是主要学习现在流行的深度学习算法啦。
学完这本书你起码能理解神经网络的一些核心知识点，像前后向传播，正则化机制、超参数调优等等等等。然后去理解一些经典基础的深度学习模型也够了，像MLP、CNN、RNN这些。
这本书的第一个特点是它用了大量的可视化插图和生活例子，以及把专业的术语通过通俗的语言把深度学习所需的基础数学知识都给描述的非常清楚明白，真的很难不懂啊！第二个特点是作者竟然用Excel表格来实验与验证模型数学原理，这样做的好处是不需要先补充编程知识就能非常直观的感受到模型优化的详细过程！这对你理解深度学习模型的内部机制非常非常有帮助！
这是这本书的具体内容，大家可以暂停看一下。
3.再就是最后一本MATHEMATICS FOR MACHINE LEARNING：
它虽然是一本书国外书，但我依然非常推荐！因为它用来进阶是非常非常不错的，剑桥出版的书还是质量很高的。大家也不用担心看不懂，一方面你可以配合一些翻译软件或者好用的大模型读，一方面是竟然有人写了整本书的中文学习笔记！这真的太棒了！
链接：https://blog.csdn.net/weixin_44378835/category_9707298.html?spm=1001.2014.3001.5482这本书和前面两本书是属于互补的，前两本书非常适合入门但不深入，这本书足够详细深入但不是很适合新手入门。所以你可以在前面两本中挑一本适合自己的用来入门，再看这本书用来进阶作为补充学习。
学完这本书后，基本上绝大部分的机器学习深度学习经典前沿模型的数学原理你都能够看懂了，而且有能力通过数学原理来优化模型。
我个人觉得这本书最好的一个点是它整合了分散的数学知识，然后填补上了数学知识与机器学习深度学习所需数学知识之间的鸿沟，根据机器学习深度学习算法与应用来引出每个部分所需的数学知识，这样你可以非常针对性的学习，从而提升效率。让你非常清楚的知道你当下学习的这些数学知识到底能在机器学习深度学习中发挥什么作用。
作者还用上了自包含设计，最大化的降低了学习门槛！像关键概念（如仿射空间、SVD分解）通过几何图示直观解释，降低抽象数学的认知负荷。书中对线性代数的讲解从向量空间切入，而非传统行列式优先路径，更契合数据科学思维。
这是这本书的具体内容，那这次的分享就到这里了，希望对大家有帮组，我是future我们下次再见拜拜！
