对于从事机器学习的学生来说，高等数学、线性代数、概率论和数理统计是三门课程中最重要的数学基础。我来分别解释一下这三个方面在机器学习中的作用。
1.微积分、牛顿迭代、拉格朗日乘子法、高等数学中的泰勒展开等知识点都在机器学习中有应用。比如在logistic回归模型中求梯度时需要偏导数，优化目标使用牛顿迭代法，约束优化问题的svm使用拉格朗日乘子法等等。，以及高等数学的其他知识点都或多或少的体现在机器学习中。
分解，张量分解，线性代数推荐系统中使用的非负矩阵分解nmf，pca主成分分析中的特征值和矩阵运算。我来贴一下之前用矩阵求导解决最小二乘问题的公式推导过程，体会一下线性代数的重要性。
最小二乘的求解可以用梯度下降迭代或牛顿迭代求解，但也可以基于矩阵求导计算。其计算方法更加简洁高效，不需要大量迭代，只需要解一个正规方程组。
总之，对于机器学习来说，线性代数比高数更重要。
3.概率论与数理统计概率论与数理统计就更重要了，比如朴素贝叶斯分类和概率图模型中用到的贝叶斯公式，高斯过程，最大熵模型，抽样方法，nlp领域的大部分算法都与概率论有关，比如基于lda的主题模型，基于crf的序列标注模型，分词系统等等。
所以，要从事机器学习，高等数学、线性代数、概率论、数理统计都是必不可少的数学基础。
我记得我大学毕业后的第一份工作。我们公司的业务是进行bi产品的研究和开发。什么时候互联网没有今天这么火，没有大数据和移动互联网的概念？记得有一次和同事去华师大后门买书。同事买了一个javascript，我买了一个ajax。当时我们产品的客户端是用d:文本、视频和数据库。了解大数据的概念，让让我们看看大数据包含什么。
大数据的内涵
从技术角度来说，大数据包括两个分支:数据分析和数据挖掘。数据分析是对历史数据的分析，为管理层提供辅助决策信息。数据挖掘是一个研究趋势和未来的问题，主要用于预测。从业务的时效性要求来说，可以分为实时在线分析系统和离线分析系统。比如:网站的实时用户区域分布就是一款实时分析应用；2019年全国各省gdp排名分析是一款离线分析应用。
从大数据项目的流程来看，大数据包括:数据采集、数据收集、数据转换与存储、数据建模与分析、上层应用展示等等。大数据的难点在于海量数据的分析，而海量数据的分析又涉及到海量数据存储和分析架构。
根据hadoop的技术体系，flume用于收集和转换存储在各种服务器中的日志和数据，并存储在hdfs文件系统或hive或hbase等数据仓库中，然后使用hadoop架构的规范编写mapreduce作业，再将分析结果展示给用户。当然，数据分析有各种算法。
与大数据相关的工作
以下是与大数据相关的核心职位:
业务专家或顾问:为大数据提供研发方向和确定研究课题，为技术人员提供业务支持。
数据分析师:从事数据收集、整理和分析，并根据数据做出评价和预测的专业人员。成员。
数据挖掘工程师:从海量数据中发现规则，需要良好的算法和数学基础。
可视化工程师:为显示分析结果提供美观易懂的界面。
维护工程师:负责服务器环境的配置、搭建和运维。
每个公司用的大数据技术线不一样，岗位也会有差距。有兴趣的朋友可以自己了解一下现有的几个大数据解决方案。
随着5g网络的建设，接入网络的物联网设备会越来越多，互联网积累的数据会呈级数增长。未来几年，大数据行业仍然是朝阳产业，需要越来越多的大数据人才。希望本文对愿意投身大数据行业的朋友有所启发和帮助，也希望大家对大数据的概念有更清晰的认识。谢谢你
