对此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有用的三门的数学基础了。下面我来各那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、泰勒发起等等知识点在机器学习中都有应用到。比如在逻辑回归模型求梯度时候是需要求偏导、优化系统目标可以使用的牛顿迭代方法、带管理和约束系统优化问题的svm必须应用拉格朗日乘数法等等，另外其它高等数学的知识点在机器学习中都都有吧体现。
二.线性代数推荐系统不使用的svd分解、张量分解成、非负矩阵分解nmf，pca主成分分析中求特征值、矩阵运算。下面我贴下之前我用矩阵求导解最小二乘问题的公式推导过程，可以体会一下线性代数的重要程度。
最小二乘的解，也可以按照梯度下降迭代或牛顿迭代方法求高人，但也这个可以实现矩阵求导来换算，它的计算越来越简练高效，不是需要大量迭代，再解一个相对正规方程组。
不过，线性代数是对机器学习来说比高数还重要。
三.概率论与数理统计概率论与数理统计那就更不重要了，例如朴实贝叶斯分类和概率图模型会用到的贝叶斯公式，高斯过程、大熵模型，采样方法，nlp领域的大部分算法都与概率论去相关，像实现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。
所以要搞机器学习，高等数学、线性代数和概率论与数理统计也是不可少的数学基础。
1、简单的方法和大家彼此分享hist（）函数的使用，这个函数有两种具体方法的函数格式，第一种、hist(x)：这种格式中x是一维向量，函数的作用是将x中的大于和的最值之间的区间等等分10等份，输出的直方图横坐标是x值，纵坐标是该值的个数这个可以解释为下面中的hist(x,10)。
2、针对第一种情况举个例子，[1,2,3,4,5,6,1,2,5,4,7,8,5,6,4,6]y9bbbhist(x)在matlab中正常运行后的结果如下图所示
3、第二种、函数格式为[a,b]hist(x,n)其中x是一维向量，函数功能是将x中的大于和大值之间的区间3等分n份，横坐标是x值，纵坐标是该值的个数。回的a是落在该区间内的个数，b是该区间的中心线位置坐标。
4、举个例子如下图(1,num)y9bbbm6gtgt[a,b]hist(data,m)
5、输出结果如上图中下半部分所示，可以看见和理论分析的结果一般。如果不是把上面的[a,b]hist(data,m)转成hist(data,m)再在matlab中运行可以能得到下图所示的作为输出结果。
6、是对bar函数的使用就像格式万分感谢：bar(x,y)其中x要是严格递增的且三维空间向量x和一维向量y长度完全相同。以一维向量x的值为x坐标，对应的y为y坐标画直方图。
1、双击matlab软件图标，然后打开matlab软件，看的到matlab软件的界面。
2、使用直接输入法创建家族一个数组v：v该数组用来表示直方图的统计数据。
3、在用函数hist(v)草图直方图。
4、在用函数title()给直方图去添加标题。
5、可以使用函数xlabel(u)和ylabel(f)给坐标轴去添加标签，其中直方图的面积它表示频率。
6、不使用语句gridon语句给直方去添加坐标分割线，也称做网格线。
7、查看草图的直方图，注意一点查看它的标题、坐标轴、网格分割线，尽量直方图的面积来表示频率。
