本文探讨了在人工智能领域，特别是机器学习工程师需要掌握的数学知识。强调了数学作为基础技能的重要性，并建议优先学习对工作决策有直接帮助的知识。随着机器学习技术的发展，对数学知识的深度要求也在变化，但理解算法背后的数学原理有助于调试和解决问题。文章还鼓励好奇心驱动的学习，认为这可能激发创造力和技术突破。

💡 数学是人工智能领域的基础技能，但并非所有数学知识都同等重要。应优先学习对当前工作和目标有直接帮助的数学知识，例如理解算法背后的原理，以便更好地调试和优化模型。

⚙️ 随着机器学习技术日趋成熟，一些早期需要深入理解的数学知识，如线性代数库的底层原理，变得不再那么重要。然而，对于新兴技术如深度学习，理解梯度下降、动量和Adam优化算法等背后的数学原理仍然至关重要。

🧠 对于深度学习中遇到的问题，例如神经网络对不同分辨率图像预测结果不一致，理解神经网络架构背后的数学原理能帮助更好地找到解决方案。这强调了理论知识在解决实际问题中的重要性。

🚀 鼓励好奇心驱动的学习，即使某些知识看似不实用，也可能激发创造力，带来技术突破。学习不应仅限于实用性，还应关注个人兴趣，从而推动技术创新。

How-to-Build-a-Career-in-AI

第三章 你应该学习数学才能在人工智能领域找到工作吗？（学习章节）

要成为一名机器学习工程师，你需要掌握多少数学知识？

数学是人工智能的基础技能吗？掌握更多数学知识总是好的！但要学的东西太多了，所以实际上，有必要优先考虑。以下是你可以如何加强你的数学背景。

为了弄清楚哪些知识是重要的，我发现问问自己需要知道什么才能做出你想要从事的工作所需的决策是很有帮助的。在 DeepLearning.AI，我们经常会问：“一个人需要知道什么才能实现他们的目标？” 这个目标可能是构建一个机器学习模型、构建一个系统，或者通过一次求职面试。

了解你所使用的算法背后的数学知识通常很有帮助，因为它使你能够调试它们。但有用的知识深度会随着时间而变化。随着机器学习技术日趋成熟，变得更加可靠和便捷，它们所需的调试更少，而且对相关数学知识的浅显理解可能足以使其发挥作用。

例如，在机器学习的早期，用于求解线性方程组（用于线性回归）的线性代数库并不成熟。我必须了解这些库的工作原理，这样才能在不同的库中进行选择，并避免数值舍入陷阱。但随着数值线性代数库的成熟，这一点变得不再那么重要。

深度学习仍然是一项新兴技术，因此，当你训练一个神经网络，而优化算法难以收敛时，理解梯度下降、动量和 Adam 优化算法背后的数学原理将有助于你做出更好的决策。同样，如果你的神经网络出现了一些奇怪的问题——比如，它对某些分辨率的图像做出了错误的预测，而对其他分辨率的图像则没有问题——理解神经网络架构背后的数学原理，可以让你更好地找到解决方案。

当然，我也鼓励好奇心驱动的学习。如果你感兴趣，那就去学习吧，无论它最终有多实用！也许这会激发你的创造力，或带来技术突破。