python怎么生成正态分布的随机数
机器学习需要哪些数学基础？
机器学习需要哪些数学基础？
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。下面我来分别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、泰勒展开等等知识点在机器学习中都有应用到。例如在逻辑回归模型求梯度时候需要求偏导、优化目标使用的牛顿迭代方法、带约束优化问题的SVM需要用到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都有体现。
二. 线性代数推荐系统使用的SVD分解、张量分解、非负矩阵分解NMF，PCA主成分分析中求特征值、矩阵运算。下面我贴一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，可以通过梯度下降迭代或牛顿迭代方法求解，但也可以基于矩阵求导来计算，它的计算方式更加简洁高效，不需要大量迭代，只需解一个正规方程组。
总之，线性代数对于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重要了，比如朴素贝叶斯分类和概率图模型用到的贝叶斯公式，高斯过程、最大熵模型，采样方法，NLP领域的大部分算法都与概率论相关，像基于LDA的主题模型、基于CRF的序列标注模型、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都是必不可少的数学基础。
电子信息工程专业需要掌握哪些基础知识？
纯手打。
我是电子信息毕业的，但是不想说学校里面的课程，我看前面好多人都在说学校里面学了什么东西。我承认我学校里面的东西学的是一塌糊涂。
现在工作十多年了，从实践的角度来看的话，电子信息工程主要面向电子企业，移动通信类企业，主要面向的研发，客户支持等岗位。若是为了应对这些岗位的要求，从技术层面来讲，主要是：
1. 硬件设计类的研发岗位，最基础需要数字电子，模拟电子，高频电子，电路，信号传输等，熟悉每个电子元器件的特点里用途，了解电路结构以及常用的电路，了解信号传输的特点，调制解调的原理。
2. 编程类的话，就需要像C语言需要之类的课程。
3. 最最基础的，就是高等数学，所有的专业课程几乎都会用到一些数学的模型，比如正态分布。
结合实践来说的话，单单大学里学了电子信息工程，其实远不能满足工作的需求。其他更基本的一些PCB制图软件如Altium Designer，好些时候在学校里面是不学的或者应用不够。如果能提前熟悉掌握，会是你的巨大的加分项。