相对于搞机器学习的同学来说，高等数学、线性代数和概率论与数理统计是最重要的三门的数学基础了。下面我来各说明这三方面在机器学习中的作用
一.高等数学高等数学里面的微积分、牛顿迭代、拉格朗日乘数法、泰勒发动了攻击等等知识点在机器学习中都有应用方法到。.例如在逻辑回归模型求梯度时候不需要求偏导、系统优化目标使用的牛顿迭代方法、带约束优化系统问题的svm是需要要用拉格朗日乘数法等等，还有其它高等数学的知识点在机器学习中或多或少应该有体现出来。
二.线性代数推荐系统在用的svd分解成、张量可分解、非负矩阵分解nmf，pca主成分分析中求特征值、矩阵运算。下面我贴再看看以前我用矩阵求导解最小二乘问题的公式推导过程，也可以体会到再看看线性代数的重要程度。
最小二乘的解，这个可以是从梯度下降迭代或牛顿迭代方法求解答，但也这个可以基于矩阵求导来换算，它的计算更加简洁高效，不需要大量迭代，要解一个非常正规方程组。
不过，线性代数对于机器学习来说比高数还重要的是。
三.概率论与数理统计概率论与数理统计的话更重要的是了，.例如朴实贝叶斯分类和概率图模型都用到的贝叶斯公式，高斯过程、大熵模型，样本采样方法，nlp领域的大部分算法都与概率论具体，像基于lda的主题模型、设计和实现crf的序列上标模型、分词系统等等。
所以我要搞机器学习，高等数学、线性代数和概率论与数理统计大都必不可缺的数学基础。
1既然要画散点图，自然就是需要一些离散的数据了，下面我们就依靠matlab能生成这些数据，实际应用中我们额外的数据是从其他完成任务的。
2简单的方法是需要先画出点图，即把每一个数据点的位置画成，所在用的指令为：scatter(x,y1,#39k#39)，该指令主要注意用于绘制的点图，后面#39#39里面的k上标的是每一个点用黑色画出，里面也可以互相再添加一些其他的参数3下面是凭借第一步生成沉淀的数据和第二步的指令画出的点图，蓝色的是y1的数据，红色的是y2的数据。4下面就把点串下来，就功败垂成了，可以使用的指令是：plotyy(x,y1,x,y2,#39plot#39)；
都是作为数据分析和展示软件，各自的优缺点是什么？互相在哪些领域是用也很多？
毫不犹豫excel，平时学得好，工作以后能都用到，origin画曲线会有锯齿形出现。科学论文图表必须要规矩，条件期刊的可以投稿要求，然后再在规矩的基础上实现程序图表的美观和专业。在当前坚决贯彻执行科技论文管理规范化、标准化的同时,图表的设计也应规范化管理、标准化。因此，科学论文图表的制作原则主要是规矩、简单的、美观和专业。我们来看下差别软件手工绘制的效果图：
最后，我能说，有一款很平凡的软件能草图这些软件图像的效果，但又不要编程基础就能利用，它就是其实很多人都知道的excel。excel才是王道！下图那是使用excel仿造的python、matlab、r绘制图的散点效果图，几乎没有差异。
