想从事数据科学相关岗位，这些数学基

离散数学

What：这部分内容通常是“数据科学数学”方案中较少讨论的主题，但事实是所有现代数据科学都是在计算系统的帮助下完成的，离散数学是这类系统的核心。要学习的内容：

• 集合、子集和幂集
• 计数函数、组合学、可数性
• 基本证明技术——归纳法、反证法
• 归纳、演绎和命题逻辑的基础知识
• 基本数据结构——堆栈、队列、图、数组、哈希表、树
• 图表属性——连接组件、度、最大流量/最小切割概念、图形着色
• 递归关系和方程
• 函数的增长和O(n)符号概念

示例：在任何社交网络分析中，你需要知道图的属性和快速算法以搜索和遍历整个网络。在选择任何算法时，都需要通过使用 O(n)表示法来了解时间和空间复杂度。

学习资源：

计算机科学专业的离散数学概论——  Coursera
https://www.coursera.org/specializations/discrete-mathematics

数学思维导论——Coursera
https://www.coursera.org/learn/mathematical-thinking

掌握离散数学：集合、数学逻辑—— Udemy
https://www.udemy.com/master-discrete-mathematics/

最优化、运筹学

What：这些主题与应用数学中的传统话语没什么不同，因为它们在专业领域——理论计算机科学、控制理论或运筹学中最为相关和最广泛使用。实际上，每种机器学习算法旨在最小化受各种约束影响的某种估计误差，这就是优化问题。要学习的内容：

• 优化的基础——如何制定问题
• 最大值、最小值、凸函数、全局解
• 线性规划、单纯形算法
• 整数规划
• 约束编程、背包问题

示例：使用最小平方损失函数的简单线性回归问题通常具有精确的解析解，但逻辑回归问题却没有，要理解其中的原因，需要了解优化中凸性的概念，这也将阐明为什么我们必须对大多数机器学习问题中的“近似”解决方案能够满意。

资源：

业务分析中的优化方法 ——edX
https://courses.edx.org/courses/course-v1:MITx+15.053x+3T2016/course/

离散优化—— Coursera
https://www.coursera.org/learn/discrete-optimization

确定性优化 ——edX
https://www.edx.org/course/deterministic-optimization-0

结束语

（编辑：PHP编程网 - 湛江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!