Honestamente, la respuesta depende de lo que quiera hacer, pero en resumen para agregar más a lo que Daniel Richardson señaló, es bueno tener cierta familiaridad con el álgebra lineal y la diferenciación multivariada.
El álgebra lineal es importante porque todo en el aprendizaje automático es un vector o una matriz. Los productos de puntos, la distancia, la factorización matricial, los valores propios, etc. aparecen todo el tiempo.
La diferenciación es importante debido al descenso del gradiente, de nuevo, que está en casi todas partes.
- ¿Cuáles son las perspectivas laborales después de la Maestría en Ciencias en Computación con especialización en Inteligencia Artificial?
- ¿Qué tipo de inteligencia tienen los humanos?
- Con todos los avances y el potencial de la IA, ¿cómo se verá Quora en 5-10 años?
- ¿Cuáles son las áreas más interesantes de la investigación / aplicaciones actuales en el aprendizaje semi-supervisado?
- ¿Qué desearían saber los investigadores de IA y los informáticos sobre el cerebro?
También es beneficioso tener un repaso sobre la probabilidad y las estadísticas: regla de Bayes, rv discreto / continuo, pmf / pdf, cadenas de Markov, etc. Las estadísticas son importantes para abordar la incertidumbre en los datos que es bastante “común” en el mundo real.
Hay mucho texto disponible en línea sobre los temas mencionados anteriormente. Aunque personalmente recomendaría algunos de los siguientes cursos MOOC como repaso rápido:
Álgebra lineal – material de curso MIT
Modelos gráficos probabilísticos 1: Representación – Universidad de Stanford | Coursera
Si está realmente interesado en saber por qué las matemáticas son importantes para ML: http://courses.washington.edu/cs…
