Yapay zeka (Machine Learning ve Data Analysis) alanında hangi matematik konularına hakim olmak gerekir?

Tensörler, tensörler, tensörler. Yapay zeka dediğiniz şeyin çoğu matris çarpımları ve çeşitli matrisleri manipüle etmekle ilgili.

Ama tabii sadece bu değil. Alanda "uzman" olabilmek istiyorsanız:

1. Doğrusal Cebir
2. Matris işlemleri
3. Özdeğerler ve özvektörler
4. Tekil Değer Ayrıştırması (SVD)
5. Temel Bileşen Analizi (PCA)
6. Kalkülüs
7. Türevler ve gradyanlar
8. Kısmi türevler
9. İntegraller Optimizasyon teknikleri (örn. gradyan inişi)
10. Olasılık Teorisi
11. Olasılık dağılımları
12. Koşullu olasılık
13. Bayes teoremi
14. Beklenti ve varyans
15. İstatistik
16. Tanımlayıcı istatistikler (ortalama, medyan, mod, standart sapma)
17. Çıkarımsal istatistik (hipotez testi, güven aralıkları)
18. Regresyon analizi
19. Bayes istatistikleri
20. Ayrık Matematik
21. Küme teorisi
22. Kombinatorik
23. Çizge teorisi
24. Boole cebiri
25. Sayısal Analiz
26. Sayısal optimizasyon
27. Sayısal doğrusal cebir
28. Enterpolasyon ve yaklaşım ("approximation")
29. Bilgi Teorisi
30. Entropi
31. Karşılıklı bilgi
32. Kullback-Leibler farklılığı
33. Optimizasyon
34. Dışbükey optimizasyon
35. Kısıtlı optimizasyon
36. Lagrange çarpanları
37. Kuadratik programlama
38. Diferansiyel Denklemler
39. Adi diferansiyel denklemler (ODE'ler)
40. Kısmi diferansiyel denklemler (PDE'ler)
41. Diferansiyel denklemlerin çözümü için sayısal yöntemler
42. Topoloji
43. Metrik uzaylar
44. Devamlılık
45. Bağlantılılık
46. Kompaktlık

Bu kavramlara ve bunlarla ilişkili kavramlara aşina olmanızı önemle tavsiye ederim.