1. 機器學習應補充哪些數學基礎
一些評價函數是用概率統計的思想給出的，因此概率統計是必須的。
一些數據計算（特別是圖像）是矩陣運算，因此線性代數或者高等代數或者矩陣理論要學一個，線代最簡單，其實大致也夠用了。
要計算極值，基本上採用梯度下降的方法，因此多元函數求導要掌握，這部分在高數中。
2. 機器學習應補充哪些數學基礎
線性代數、概率與數理統計等吧
我目前在研究機器學習的演算法，發現用的比較多的數學知識有：
1、矩陣相關計算，因為機器學習處理的是多特徵多樣本，涉及矩陣是不可避免的，而且在降維時用到PCA、奇異值等。
2、微積分求導，例如求梯度方向，求極大極小值時
3、貝葉斯公式，很多模型基於貝葉斯原理
4、統計分布，特別是高斯分布應用很廣。