众所周知，机器学习是目前人工智能的主要技术，而机器学习的基础是数学。数学并非是一个可选可不选的理论方法，而是不可或缺的支柱。如果你是一名计算机工程师，每天使用 UML、ORM、设计模式及其他软件工程工具／技术，但和数学相比，这只是一些浅层内容。这并不是说这些概念不重要，而是机器学习需要一种不同的方法。如今 Python 如此流行的原因之一是其原型设计速度。在机器学习中，使用几行代码即可建模算法的语言是非常必要的。
分享之前我还是要推荐下我自己建的Python开发学习群：628979297，群里都是学Python开发的，如果你正在学习Python ，小编欢迎你加入，今天分享的这个案例已经上传到群文件，大家都是软件开发党，不定期分享干货（只有Python软件开发相关的），包括我自己整理的一份2018最新的Python进阶资料和高级开发教程，欢迎进阶中和进想深入Python的小伙伴。
下面先简单回顾一下所需的数学基础：
概率论
•离散型和连续型随机变量
•主要分布（伯努利分布、二项式分布、正态分布、 指数分布、 泊松分布、Beta 和 Gamma 分布）
•矩估计和最大似然估计
•贝叶斯统计
•相关性系数和协方差（Correlation and Covariance）
线性代数
•向量和矩阵
•矩阵的行列式
•特征向量和特征值
•矩阵分解（如 SVD）
微积分
•极限与导数
•微分和积分
•数值计算与最优化方法
Python：重要的语言工具
使用 Python 时，Numpy 不仅仅是一个库。它是几乎所有机器学习实现的基础，因此了解它的工作原理、关注向量化和广播（broadcasting）是非常必要的。这些技术可以帮助加速大多数算法的学习过程，利用多线程和 SIMD、MIMD 架构的力量。
神经网络入门
神经网络是深度学习的基础，它也是一门单独的课程。但是，我认为理解感知机、多层感知机以及反向传播算法的概念也很有帮助。Scikit-Learn 提供了一个实现神经网络的简单方法，但是，开始探索 Keras 也是一个好主意，Keras 是一个基于 Tensorflow、Theano 或 CNTK 的高级架构，可以使用最少的努力对神经网络进行建模和训练。
为了帮助大家更好地学习机器学习及人工智能，小编为大家整理了关于机器学习和Python方面的学习资料，有需要的同学私信小编即可，希望能对在人工智能道路上奋斗的同学有所帮助。
