学习计算机类专业必须要数学功底好么
数学功底确实需要一点，但是也不是那么硬的需求。如果你数学不是特别好，但是逻辑方面还是可以的话，那应该也是可以的。你要是数学特别好，学了计算机专业，直接去搞机器学习或者人工智能啊。
机器视觉需要学习哪些数学知识
常用的基础理论：微积分；矩阵论；复变函数；积分变换；欧式几何；离散数学；
发展趋势：基本上数学学科的前沿全都有
信息论与机器学习有着怎样的关系
信息论与机器学习同为涉及计算机科学和应用数学等学科的分支领域，这两门交叉学科在起源和应用上有很多相似之处。信息论的理论体系相对成熟一些。机器学习这些年比较受欢迎，理论和应用的扩充发展速度远远更快且看不到饱和的趋势。两个方向互有交叉，但主要还是机器学习中借用信息论的方法以此拓展理论研究和应用场景，比较典型的就是借鉴信息理论创造和改进学习算法
机器学习应补充哪些数学基础?
机器学习理论是统计学、概率学、计算机科学以及算法的交叉领域，是通过从数据中的迭代学习去发现能够被用来构建智能应用的隐藏知识。尽管机器学习和深度学习有着无限可能，然而为了更好地掌握算法的内部工作机理和得到较好的结果，对大多数这些技术有一个透彻的数学理解是必要的。
首先要看你自己有哪些知识储备
当你试图理解像机器学习（ML）这样的跨学科学科时，主要的问题是理解这些技术所需的数学知识的数量和水平。这个问题的答案是多层面的，会根据个人的层次和兴趣而有所不同。正在研究机器学习的数学公式和理论进展，一些研究人员正在研究更先进的技术。接下来，我将展示我认为是机器学习科学家/工程师所需的最低数学以及每个数学概念的重要性。
然后就是要看去学习需要哪些知识
线性代数：我的一个同事Skyler Speakman最近说“线性代数在21世纪是数学的”。我完全同意他的看法。在机器学习领域，线性代数无处不在。概率和统计：机器学习和统计并不是非常不同的领域。多变量微积分：一些必要的主题包括微分和积分，偏导数，向量值函数，方向梯度，Hessian，Jacobi，Laplace，Lagrange分布。算法和复杂优化：了解我们的机器学习算法的计算效率和可扩展性以及利用我们的数据中心稀疏性非常重要。
最后整理这些，看你要学哪些知识
知识是永远不会觉得多的，活到老学到老。
