如何获得神经网络的基础数学？
How to get the basic math for neural networks?
我最近决定开始学习人工智能，特别是神经网络，因为我相信它能让我解决我目前无法解决的新问题。
作为第一步，我希望能够编写一个简单的神经网络来识别手写数字（使用 MNIST 数据集），并且我希望能够在接下来的几个 weeks/months.
我为初学者找到了很多资源，其中一些看起来非常好（比如这个：http://neuralnetworksanddeeplearning.com/chap1.html）。我已经阅读了 5-6 本关于神经网络的书的开头部分，但我一直遇到的问题是，由于我缺乏数学知识，所以在某些时候，我会迷失在解释中。
例如，在链接的教程中，我对以下符号有问题：∇、∂、→。更一般地说，我偶然发现了数学符号：我不知道但作者假设 reader 知道的常量和特殊符号。
所以我的问题来了：我需要什么样的数学才能让我快速开始使用神经网络，这将使我能够毫不费力地阅读那些伟大的 books/tutorials 我成立。我对线性代数有一些非常基本的概念，但仅此而已。
我就出去说吧：你找过一门数学较少的课程吗？
虽然您当然需要高等数学才能完全掌握该主题，但您可以找到一门介绍性课程，该课程更多地概述了该领域，并提供了一些具体的实际操作示例。这就是我学习的方式 Python（感谢 YouTube！）
编辑：
@sputnik
What kind of advanced math do you think is needed ?
很简单，我认为你不会。
强烈推荐 在线visual introduction to machine learning.
I have recently decided to start learning about artificial intelligence, and specifically about neural networks, because I believe it would allow me to solve new problems I am currently unable to tackle.
我提到的初级读物的要点是它们让您从决策树开始。这让人想起半个世纪前使用的专家系统，对于刚刚了解该主题的人来说，这是一个很好的叙述。
众所周知，基于树的模型是 Kaggle 竞赛获胜者中最常用的技术，尤其是 XGB trees*。 仅次于神经网络，那为什么要退而求其次呢？ ;-)
例如，查看最新的 Kaggle 访谈：Airbnb New User Bookings, Winner's Interview: 2nd place, Keiichi Kuroyanagi (@Keiku)
您无需高级微积分也可以进行统计推断。即使根本没有正规数学，如果你只是想了解这个主题。
* XGBT 中的 'G' 确实 代表梯度，因此您最终将不得不做一些数学运算，但为什么不开始玩得开心呢？您会学得更多、更快！
其他XGBT链接：
您需要具备微积分基础才能理解基本神经网络训练背后的数学原理。确实没有办法解决它——大多数神经网络训练都是 "gradient descent" 优化的某种变体。梯度是导数的一种形式；为了找到梯度，你必须求导数。
如果您正在寻找最低限度，那么您可以理解导数，而不是继续学习积分——例如，您问题中的两个符号代表采用特定类型的导数.
线性代数也很重要，有一些就好了。您真的不需要任何花哨的东西来理解基本的神经网络知识，但了解向量是什么、矩阵乘法的工作原理以及原因也很重要。
我建议您审核 Coursera course on Machine Learning taught by Andrew Ng。它的结构和节奏非常好，他以一种非常易于理解的方式呈现数学。如果你能坚持到第 5 周，作业实际上就是你感兴趣的问题：用于手写数字识别的神经网络。
我最近决定开始学习人工智能，特别是神经网络，因为我相信它能让我解决我目前无法解决的新问题。
作为第一步，我希望能够编写一个简单的神经网络来识别手写数字（使用 MNIST 数据集），并且我希望能够在接下来的几个 weeks/months.
我为初学者找到了很多资源，其中一些看起来非常好（比如这个：http://neuralnetworksanddeeplearning.com/chap1.html）。我已经阅读了 5-6 本关于神经网络的书的开头部分，但我一直遇到的问题是，由于我缺乏数学知识，所以在某些时候，我会迷失在解释中。
例如，在链接的教程中，我对以下符号有问题：∇、∂、→。更一般地说，我偶然发现了数学符号：我不知道但作者假设 reader 知道的常量和特殊符号。
所以我的问题来了：我需要什么样的数学才能让我快速开始使用神经网络，这将使我能够毫不费力地阅读那些伟大的 books/tutorials 我成立。我对线性代数有一些非常基本的概念，但仅此而已。
我就出去说吧：你找过一门数学较少的课程吗？
虽然您当然需要高等数学才能完全掌握该主题，但您可以找到一门介绍性课程，该课程更多地概述了该领域，并提供了一些具体的实际操作示例。这就是我学习的方式 Python（感谢 YouTube！）
编辑：
@sputnik
What kind of advanced math do you think is needed ?
很简单，我认为你不会。
强烈推荐 在线visual introduction to machine learning.
I have recently decided to start learning about artificial intelligence, and specifically about neural networks, because I believe it would allow me to solve new problems I am currently unable to tackle.
我提到的初级读物的要点是它们让您从决策树开始。这让人想起半个世纪前使用的专家系统，对于刚刚了解该主题的人来说，这是一个很好的叙述。
众所周知，基于树的模型是 Kaggle 竞赛获胜者中最常用的技术，尤其是 XGB trees*。 仅次于神经网络，那为什么要退而求其次呢？ ;-)
例如，查看最新的 Kaggle 访谈：Airbnb New User Bookings, Winner's Interview: 2nd place, Keiichi Kuroyanagi (@Keiku)
您无需高级微积分也可以进行统计推断。即使根本没有正规数学，如果你只是想了解这个主题。
* XGBT 中的 'G' 确实 代表梯度，因此您最终将不得不做一些数学运算，但为什么不开始玩得开心呢？您会学得更多、更快！
其他XGBT链接：
您需要具备微积分基础才能理解基本神经网络训练背后的数学原理。确实没有办法解决它——大多数神经网络训练都是 "gradient descent" 优化的某种变体。梯度是导数的一种形式；为了找到梯度，你必须求导数。
如果您正在寻找最低限度，那么您可以理解导数，而不是继续学习积分——例如，您问题中的两个符号代表采用特定类型的导数.
线性代数也很重要，有一些就好了。您真的不需要任何花哨的东西来理解基本的神经网络知识，但了解向量是什么、矩阵乘法的工作原理以及原因也很重要。
我建议您审核 Coursera course on Machine Learning taught by Andrew Ng。它的结构和节奏非常好，他以一种非常易于理解的方式呈现数学。如果你能坚持到第 5 周，作业实际上就是你感兴趣的问题：用于手写数字识别的神经网络。