El “cuánto” es muy relativo. Depende de si su doctorado está más centrado en la teoría o más aplicado. Además, esta es una pregunta muy personal, y cada persona en el campo daría una respuesta ligeramente diferente.
Lo que enumero a continuación es para el caso de un doctorado aplicado; Si su doctorado está en Métodos de aprendizaje automático, probablemente tendrá que agregar áreas específicas de matemáticas que sean relevantes para sus modelos.
Para poder comprender una parte importante del corpus de publicaciones de ML (pero no todas), necesitará, como mínimo:
- ¿Cuáles son los fundamentos necesarios para el aprendizaje automático, el aprendizaje profundo, la robótica y la inteligencia artificial?
- Con la inteligencia artificial y la robótica desarrollándose a tal ritmo, ¿qué profesiones podrían estar disponibles para mis hijos dentro de 20 años?
- ¿Qué es el "aprendizaje de refuerzo disperso"?
- ¿Es más divertido jugar contra los videojuegos si hacen locuras?
- ¿Qué es el aprendizaje de refuerzo recurrente?
- Cálculo multivariante: esencialmente derivados e integrales.
- Álgebra lineal: inversiones matriciales, valores propios y vectores propios, y todo eso.
- Probabilidad y estadística: distribuciones continuas y discretas, entienden conceptos bien como independencia e independencia condicional, teoría de la información, etc.
Una vez más, dependiendo de sus campos específicos, también querrá examinar lo siguiente:
- Optimización convexa: al final del día, probar que una determinada función es convexa facilita la optimización, ya que cualquiera de los métodos relacionados con el descenso de gradiente funcionará para llevarlo al óptimo (global).
- Estadísticas bayesianas: porque casi todos los métodos de regularización pueden explicarse desde un punto de vista bayesiano, y definitivamente lo ayudarían a enmarcar mejor la teoría detrás de algunos métodos. Y porque hay un campo de LD estrictamente relacionado con estos métodos.
- Cualquier otro tema matemático directamente relacionado con su campo de aplicación o los métodos que planea usar (por ejemplo, si se trata de gráficos en sus problemas, debe aprender sobre los gráficos incluso cuando eso no pueda ayudarlo a desarrollar nuevos métodos, sino a mejorar entender el tema en sí).
Nuevamente, esta es una vista personal y estoy seguro de que muchos otros usuarios de Quora podrían completar / discutir / mejorar esta respuesta.