第 3 章：为了在 AI 领域找工作，你需要学习数学吗？

要成为一名机器学习工程师，你需要知道多少数学？

数学是 AI 的基础技能吗？懂得更多数学总是好的！但是要学的东西太多，现实地说，必须有所取舍。以下是你如何加强数学背景的方法。

为了弄清楚哪些是重要的，我发现一个有用的方法是问：你需要知道什么才能为你想要做的工作做出所需的决策。在 DeepLearning.AI，我们经常问：“一个人需要知道什么才能实现他们的目标？” 目标可能是构建一个机器学习模型、设计一个系统架构，或者通过一次工作面试。

理解你所使用算法背后的数学通常是有帮助的，因为它能让你调试它们。但这种知识的深度会随时间而变化。随着机器学习技术的成熟并变得更加可靠和即用型，它们需要的调试更少，对涉及的数学有较浅的理解可能就足以让它们工作。

例如，在机器学习的早期阶段，用于解线性方程组（用于线性回归）的线性代数库还不成熟。我必须理解这些库的工作原理，以便在不同的库之间做出选择，并避免数值舍入的陷阱。但随着数值线性代数库的成熟，这一点变得不那么重要了。

深度学习仍然是一项新兴技术，所以当你训练一个神经网络而优化算法难以收敛时，理解梯度下降、动量和 Adam 优化算法背后的数学将帮助你做出更好的决策。同样，如果你的神经网络表现异常——例如，它对某个分辨率的图像预测不佳，但对其他分辨率没问题——理解神经网络架构背后的数学会让你处于更有利的位置来找出应对方法。

当然，我也鼓励由好奇心驱动的学习。如果某件事让你感兴趣，尽管去学，不管它最终可能有多大用处！也许这会导致创造性的火花或技术突破。