大数据专业对于机器学习的要求到底有多高？
这是一个非常好的问题，我从专业学习和岗位要求这两个方面来回答一下。
首先，对于大数据专业的同学来说，统计学和计算机学习这两大块知识是非常重要的，因为这是当前最基本的两种数据分析方式，而不同场景往往会采用不同的数据分析方式。
数据价值化岗位可以分为三大类，分别是数据分析师、数据科学家和算法工程师，这三大类岗位对于机器学习知识的要求是不同的。
数据分析师岗位的细分方向非常多，很多细分岗位的门槛也并不高，计算机、数学、统计学、金融等专业的毕业生都可以从事数据分析师岗位。
数据分析师岗位所面对的行业场景对于自身的技术栈有比较直接的要求，如果面对的数据都是结构化数据，而且数据量本身并不大（比如10万条以内），那么基本的Excel和BI工具就能够解决大部分数据分析问题，很多数据分析甚至用报表系统就可以解决，那么这一类岗位对于机器学习的要求就比较低了。
数据科学家对于机器学习相关知识的要求就比较高了，因为数据科学家所面对的往往是平台级问题，要基于当前的业务模型来构建数据分析模型，要面对大量异构数据，而这正是机器学习比较适合的场景。
数据科学家的知识体系不仅涉及到统计学和机器学习，对于数学基础的要求也相对比较高，所以当前很多数据科学家都来自数学和统计学专业。
算法工程师对于机器学习的要求也比较高，而且算法岗不仅要掌握传统的机器学习算法，还需要掌握深度学习、迁移学习等一系列机器学习方式，要全面掌握有监督学习、无监督学习和强化学习这些基本的机器学习范式。
相比于数据科学家来说，算法工程师更注重工程实践能力，要能够完成算法的实现、训练、验证和应用等一系列步骤。
总体上来说，不同的岗位类型对于机器学习的要求是不同的，侧重点也不同，所以要围绕自己的岗位规划来构建自身的知识体系。
最后，如果有大数据相关的问题，欢迎与我交流。
零基础自学机器学习，应该选择哪些书籍？
上边那几本书开始和你没多大关系，就算你去看你也看不懂，机器学习是面向硕士及以上的学历从事的职业，建议你不要搞这个，没有硕士以上学历一般找不到工作的，所以不要浪费时间在这个行业，还是考虑换行业吧。如果你必须要挑战下，数学是基础，线性代数要学好，其次是编程语言，建议Python，学习成本较C语言C++低。
对人工智能很感兴趣，打算学习，请问需要什么数学基础？
数学困扰大家主要有这几个方面：
1、 机器学习需要的数学知识是不是很难，网上的公式都看不懂？
2、 很多人都说工作后就是调参，调包，不太需要用到数学吧？
3、 零基础究竟该怎么自学数学，学到哪个程度？
观点：
1、数学是必须的。
数学对于机器学习来说是必备基础，数学是内功，你要理解一个算法的内在逻辑，没有数学是不行的。以后跑算法的时候，你可能就是调参、调包，不会用到数学。但是你发现效果不好的时候，如果你数学不懂，就很难作优化，数学是你在机器学习路上的天花板。
2、数学也不是很难。
但是，数学真的很难吗？说实话，对于一般人来说，是有点门槛的，但没有你想的那么难。这里假设你上过大学的数学课，你就具备了机器学习的数学入门门槛了，之后的数学啃一啃是可以下来的。如果说你没有上过大学的数学，emmm，挺难的，这说明你除了跟别人付出同样的努力之外，还要多付出一些大学数学的学习。
3、 相比于数学，实际项目能力更重要。
这句话没错，可是大部分人在没接触到实际项目的时候，就已经被挡在门外了。很多从事机器学习的你问他数学，他可能也不是很懂，可是你能咋办。人家面试你的时候就要问你这些，问你对算法的理解，你不会那你就过不了面试啊。
4、 学习是枯燥的，但是有办法缓解。
在学习算法的时候，我们会看到很多推导，学着学着就怕了，就失去兴趣了，这里有个方法可以有效缓解。我之前的系列中有本书叫做机器学习实战，跟着上面的代码敲一敲，很容易出成果，你会看到在现实中的实际应用，很有成就感。
5、 数学的学习是可以“取巧”的
这里说的取巧指的是，数学的学习是有迹可循的，因为入门阶段的数学实际上就需要那些，列出来，你自己啃一下就可以了。具体的学习方法不是等你把数学都学好了再去学算法知识。而是你在学习算法的时候，看到你数学缺哪块再去补哪块，这是最高效的。当然了，在这之前你可以通读一遍数学的基础，对学习有个大概是更好的。
数学必备知识点
1、 线性代数
标量、向量、矩阵和张量；矩阵向量的运算；单位矩阵和逆矩阵；行列式；方差，标准差，协方差矩阵；范数；特殊类型的矩阵和向量；特征分解以及其意义；奇异值分解及其意义
Moore-Penrose 伪逆；迹运算
2、 概率统计
概率学派和贝叶斯学派；何为随机变量和何又为概率分布；条件概率，联合概率和全概率公式；边缘概率；独立性和条件独立性；期望、方差、协方差和相关系数；常用概率分布；贝叶斯及其应用；中心极限定理；极大似然估计；概率论中的独立同分布
3、 优化
计算复杂性与NP问题；上溢和下溢；导数，偏导数及两个特殊矩阵；方向导数和梯度；梯度下降法；牛顿法；仿射集,凸集和凸锥；超平面，半空间及凸集分离定理；不改变凸性的运算；凸函数及凸优化简述；无约束的优化，等式约束优化，不等式约束优化；线性规划中对偶理论；拉格朗日对偶理论
4、 信息论及其他
信息熵；条件熵；相对熵 (KL散度)；互信息；几种常用的距离度量；图论；树论
上面数学基本上就是我们所要学的数学的全部了，看上去有点吓人是不？不要慌，没有那么难，一点点啃下去就可以了。
推荐资料：
资料一：机器学习王牌课程CS229课后配套数学，专门配套机器学习的。
资料二：Yoshua Bengio的《深度学习》书，网上公开的，前面有一部分是对数学的专门讲解，很基础很全面。
数学基础篇
如果你上面三个材料看起来很吃力，或者说你的数学没有达到大学的水平。那就是数学基本功的问题了。针对这种情况，我觉得只能把相关的大学数学书拿出来翻一翻，基本概念要弄懂，什么是矩阵、导数等等，偷不了懒。
1、数学分析与概率论
同济大学数学教研室，高等数学，高等教育出版社，1996
王松桂、程维虎、高旅端，概率论与数理统计，科学出版社，2000
2、矩阵和线性代数
同济大学数学系编，工程数学线性代数（第五版），高等教育出版社2007
以上三本数学书，如果你对基础概念忘了的话，可以选择性看下相应的篇章。
