机器学习需要哪些数学基础？最主要的是线性代数和概率论。
现在最流行的机器学习模型，神经网络基本是就是一大堆向量、矩阵、张量。从激活函数到损失函数，从反向传播到梯度下降，都是对这些向量、矩阵、张量的操作和运算。
其他“传统”机器学习算法也大量使用线性代数。比如线性回归
听名字就知道和线性代数关系密切了。
而主成分分析，从线性代数的观点看，就是对角化协方差矩阵。
概率特别是当你读论文或者想深入一点的时候，概率论的知识非常有帮助。
包括边缘概率、链式法则、期望、贝叶斯推理、大似然、大后验、自信息、香农熵、KL散度，等等。
其他神经网络很讲究“可微”，因为可微的模型可以通过梯度下降的方法优化。梯度下降离不开求导。所以多变量微积分也需要。另外，因为机器学习是基于统计的方法，所以统计学的知识也缺不了。不过大部分理工科应该都学过这两块内容，所以这也许不属于需要补充的内容。
在nlp中常用的算法都有哪些？词向量方面有有word2vec，tf-idf，glove等
序列标注方面有hmm，crf等常用的算法，也可和神经网络结合使用，可用于解决分词，词性识别，命名实体识别，关键词识别等问题！
关键词提取方面可以用textrank，lda等
分类方面（包括意图识别和情感识别等）传统的机器学习算法和神经网络都是可以的。
其他方面，如相似度比较的余弦相似度，编辑距离以及其他优化方面的动态规划，维特比等很多。