一、機器學習應補充哪些數學基礎
最基礎的部分包括基本的高等數學，比如分析、代數（尤其是矩陣論）、數值優化算法、概率論與數理統計等。
更進階的需要掌握實分析（比如測度論）、圖論、時間序列、回歸分析等等。
再深入的你還可以掌握微分方程、流形幾何等等基礎機器學習涉及不到的內容，這個時候你就可以挖別人挖不出來的坑了。
另外雖然嚴格來說不屬于數學，但是算法的概念和數據結構的相關知識也是一定要掌握的
二、機器學習需要什么數學基礎，學習這些數學需要會哪些
高數、線性代數、概率論，深度學習里面一些矩陣運算比較多，還涉及一些梯度、求導之類的基礎知識。真要學的很精的話還是需要很扎實的數學基礎的。
三、機器學習需要哪些核心數學知識
概率論【重點是貝葉斯概率論，不是拋硬幣猜正反面那一套】
算法
優化算法【和上面是完全不一樣的東西】
總之，這個領域內容非常非常多。需要數學，需要編程。全投入一年能學完基礎知識就不錯了。還不算后面各種高階的東西。
