1. 机器学习应补充哪些数学基础
一些评价函数是用概率统计的思想给出的，因此概率统计是必须的。
一些数据计算（特别是图像）是矩阵运算，因此线性代数或者高等代数或者矩阵理论要学一个，线代最简单，其实大致也够用了。
要计算极值，基本上采用梯度下降的方法，因此多元函数求导要掌握，这部分在高数中。
2. 机器学习应补充哪些数学基础
线性代数、概率与数理统计等吧
我目前在研究机器学习的算法，发现用的比较多的数学知识有：
1、矩阵相关计算，因为机器学习处理的是多特征多样本，涉及矩阵是不可避免的，而且在降维时用到PCA、奇异值等。
2、微积分求导，例如求梯度方向，求极大极小值时
3、贝叶斯公式，很多模型基于贝叶斯原理
4、统计分布，特别是高斯分布应用很广。