微积分学,MIT Kleitman 教授：这是初学者该了解的微积分
机器之心整理
参与
没有微积分，机器学习也就没有了「学习」。
在机器学习的数学基础中，概率论与线性代数起到了核心作用，但是我们常忽略另一个非常重要的领域：微积分。似乎我们只要了解简单的多元微分，那么也就能学习机器学习了。但这只是一个错觉，我们不论想要具体了解最优化方法，还是希望窥探反向传播的法则，微积分是不可或缺的部分。
此外，整个微积分对于很多学科而言都是最基础的内容，不了解它的思想与做法，有时很难理解当前的研究。例如最近比较受关注的神经微分方程，它就是将残差网络视为一个微分方程，然后该微分方程的解法就相当于整个神经网络的传播结果。
既然微积分这么重要，那我们还需要回去再啃一遍高数上下册？当然能这样是最好的，但这需要花很多时间，我们最好还是通读一些介绍性的教程，做到心中「有数」就可以了。因为目前来看，确实还有很多内容不太能用在机器学习上，例如复杂的多重积分学、三维曲线方程和微分中值定理等等。
本文介绍的就是 MIT 应用数学教授 Daniel Kleitman 写的一本微积分入门书籍，它完全是用英文写的，读者在学数学的过程中还能学学英语的表达呀。
书籍地址：}
这个课程里有什么？
课程涵盖了微积分的各个方面，从介绍微积分的意义开始，逐渐深入。课程最后还提供了一些数学工具，帮助读者了解使用。
以第三章的「线性函数」为例：
该章节分为三部分：
函数的定义线性函数定义和举例线性本身的概念如图所示：
使用案例介绍方程的定义
介绍什么是线性和非线性
课程目录
Chapter 0: Why Study Calculus?Chapter 1: NumbersChapter 2: Using a SpreadsheetChapter 3: Linear FunctionsChapter 4: Quadratics and Derivatives of FunctionsChapter 5: Rational Functions and the Calculation of DerivativesChapter 6: Exponential Functions, Substitution and the Chain RuleChapter 7: Trigonometric Functions and their DerivativesChapter 8: Inverse Functions and their DerivativesChapter 9: Numerical Differentiation, and Non-Differentiable FunctionsChapter 10: Review of DifferentiationChapter 11: Application of Differentiation to Solving EquationsChapter 12: The Anti-DerivativeChapter 13: Area under a Curve; Definite IntegralsChapter 14: Numerical IntegrationChapter 15: Areas and Volumes of Parallel Sided Figures; DeterminantsChapter 16: Some Pure MathematicsChapter 17: Modeling Applications to PhysicsChapter 18: Predator Prey ModelsChapter 19: Solving Differential EquationsToolsGlossary of NotationsIndex还有其他入门材料吗？
数理基础对需要入门机器学习的初学者，以及需要加深理解的从业者来说都十分重要。因此，机器之心也为读者整理了一些受到关注和好评的入门级数学课程，帮助大家更好的夯实基础，加深对机器学习的理解，并更好的使用机器学习工具。
其他微积分课程
1. 可汗学院的「微积分预备」课程：这是一个为没有任何数学基础的人准备的微积分预备课程，提供了很多用于学习微积分的预备知识，如极限的相关知识、二项式定理等。
课程地址：}
2. 3Blue1Brown 的「微积分的本质」课程：本课程以最为简单易懂的方式介绍了微积分的本质原理，没有太多数学公式和枯燥无味的证明。
课程地址：}
其他线性代数课程
1. 3Blue1Brown 的「线性代数的本质」课程：还是这位大神，强烈推荐！本教程用最简单的方式介绍线性代数的知识。耐心看下去，没有不懂的。
课程地址：}
2. MIT 的线性代数课程：这是一个极其全面的线性代数课程，从几何空间入手介绍线性代数的原理。Gillbert Strang 老爷子非常有激情，几个小时大课听下来都不觉得很累很难。当然，画质较老，需要适应。
课程地址：}
