ฉันจะบอกว่าสิ่งที่สำคัญที่สุด requisites ก่อนที่จะมีการเรียนรู้เครื่องพีชคณิตเชิงเส้น , การเพิ่มประสิทธิภาพ (ทั้งตัวเลขและทฤษฎี) และความน่าจะเป็น
ถ้าคุณอ่านรายละเอียดเกี่ยวกับการใช้งานของกลไกการเรียนรู้ของเครื่องทั่วไป (ฉันนึกถึง LASSO, Elastic Net, SVMs) สมการจะขึ้นอยู่กับตัวตนที่หลากหลาย (รูปแบบคู่ของปัญหาการเพิ่มประสิทธิภาพสูตรต่างๆที่เกิดจากพีชคณิตเชิงเส้น) และ การใช้งานนั้นคุณต้องคุ้นเคยกับเทคนิคต่าง ๆ เช่นการไล่ระดับสี
ความน่าจะเป็นต้องมีทั้งในกรอบการเรียนรู้ PAC และทุกครั้งที่คุณศึกษาแบบทดสอบ
จากนั้นเฉพาะการวิเคราะห์หน้าที่ก็มีประโยชน์ โดยเฉพาะอย่างยิ่งเมื่อคุณกำลังศึกษาเมล็ด (และใช้ทฤษฎีบทการเป็นตัวแทน)
เกี่ยวกับการวิเคราะห์ที่ซับซ้อนฉันไม่ได้ตระหนักถึงการใช้ทฤษฎีบทสำคัญที่สำคัญที่เกิดจากสาขานี้ในการเรียนรู้ของเครื่อง (บางคนแก้ไขฉันถ้าฉันผิด)