机器学习的数学路线图：
The Roadmap of Mathematics for Machine Learning这篇长文会帮助读者理解机器学习背后的数学基础，特别是线性代数、微积分和概率论。
“理解机器学习算法背后的数学原理是一种超能力。
如果你曾经处理过实际问题，你可能会发现，熟悉细节在想要超越基准性能时，能够带来极大的帮助。尤其是当你希望推动当前技术的边界时，这一点尤为重要。
但大多数这类知识都隐藏在复杂的数学背后。理解像随机梯度下降这样的算法方法可能看起来很困难，因为它们建立在多元微积分和概率论的基础上。
然而，只要有扎实的基础，很多想法其实是相当自然的。如果你是初学者，并且没有接受过正式的高等数学教育，自己制定学习计划可能会很困难。本文的目标是为你提供一条从零基础到深入理解神经网络工作原理的路线图。
为了简化问题，本篇文章的目的是不涵盖所有内容。相反，我们将专注于为你指引方向。这样，你就能够在需要时轻松学习其他相关主题。
我建议你不要一口气读完，而是将本文作为你学习过程中的参考点。深入研究文中介绍的概念，然后查看路线图并继续前进。我坚信，这是最好的学习方法：我会为你指引道路，但你必须亲自走这条路。
机器学习建立在三个支柱上：线性代数、微积分和概率论。
