积分（Multivariable Calculus）
大多数机器学习模型是使用包含几种特征或预测变量的数据集来构建的。因此，熟悉多变量微积分对于构建机器学习模型非常重要。
以下是你需要熟悉的多变量微积分数学概念：多元函数、导数和梯度、阶跃函数；
Sigmoid 函数、Logit 函数、ReLU 函数、损失函数；
Plot 函数绘制、函数最小值和最大值。
线性代数
线性代数是机器学习中最重要的数学技能，一个数据集可以被表示为一个矩阵。线性代数可用于数据预处理、数据转换以及降维和模型评估。
以下是你需要熟悉的线性代数概念：向量、向量范数；
矩阵、矩阵的转置、矩阵的逆、矩阵的行列式、矩阵的迹、点积、特征值、特征向量。
优化方法
大多数机器学习算法通过最小化目标函数的方法来执行预测建模。
以下是你需要熟悉的优化数学概念：
损失函数 / 目标函数、似然函数、误差函数、梯度下降算法及其变体。
总之，作为一个数据科学的推崇者，应该时刻谨记，理论基础对构建有效可靠的模型至关重要。因此，你应该投入足够的时间去研究每一种机器学习算法背后的数学理论。
原文链接：https://medium.com/towards-artificial-intelligence/how-much-math-do-i-need-in-data-science-d05d83f8cb19
