学习PRML需要怎样的基础？ 举报 理由 举报 取消 虽说很多人表示 1） 这本书是self-contained的 2) 这本书的数学推导“相对较少”如果说测度论， 实变等数学工具不必深究的话， 那么至少在数学，统计学和计算机方面应该具备什么水平呢？谢谢。 2018年2月17日 4 条回复 1621 次浏览 学习,数据挖掘,机器,模式识别,统计学
回复 ( 4 )
既然已经到了需要看PRML的地步，那么数学分析和概率论数理统计这些大一大二的课程答主一定学过。不要认为PRML看不懂，回头补补统计学就能看懂了。当下定决心要补数理统计的时候，恐怕又要问“学习数理统计需要怎样的基础了”。如此循环无穷无尽。
对于self-contained和推导较少的评价，都是相对之言。老师之前推荐过一本Foundations of machine learning，相较之下PRML就无愧于这两点评价了。但是相比起Ng的公开课Coursera版的确很难。如果人人都能看懂PRML，那么自己也看懂了并没有什么用。
所以，只要楼主不是文史类专业，并且在大二年级以上，就可以开始看PRML了。寻求其他的基础，似乎是对PRML的变相逃避。至于怎么看，有很多这方面的回答。
泻药。这本书我看得十分吃力。
基础要求不高，我也认为是self-contained ,但是一定要做题，在做题的过程中补充回顾。
概率：贝叶斯，条件期望，相关系数，协方差矩阵，马尔可夫链条，随机过程（不好意思，能力有限，想到用过什么就崩了什么词）
现代：convex optimization中的现代运算（矩阵求导，矩阵transformation，对角化，SVD。。。此处知识较多），大概有矩阵式子的几何意义的了解
Convex optimization: 什么是优化(基本任何machine learning都数学建模成优化问题，找一个最值成立的条件，你可以把它想成高中解析加立体几何的n维进阶版)，了解优化的各种算法（gradient descent, steepest gradient descent, stochastic gradient descent…..一大堆，不过重点了解几种主要的，慢慢理解之后的）
统计：bias vs. variance，variance matrix, lasso…(此处我不太懂还要什么，个人也欠缺）
图论：大概了解一下基本概念，adjacent matrix
编程：至少一门编程语言，一边学一边实现仿真
（先说这么多，想到再加！）