Математичний компонент, швидше за все, включає мінімальну алгебру, триггер, лінійну алгебру та обчислення як мінімум.
Але також думайте поза межами. Хороші навички програмування також необхідні, включаючи міцні основи в алгоритмах (Coursera має два курси з алгоритмів) та володіння MatLab, Octave або R (та гнучким мовою програмування, як Java, C / C ++ або Python). Я згадую про це у відповідь на ваше запитання, оскільки вони, на мою думку, є більш "прикладними математичними" навичками - і є основоположними для перекладу між теорією та прикладними реалізаціями.
Я взяв ряд курсів Coursera, пов'язаних з машинним навчанням (і погоджуюся з іншим плакатом, що машинне навчання професора Нг є фантастичним) та NN. Кілька місяців тому Coursera провів курс нейронних мереж (не впевнений, чи це все ще доступно) через університет Торонто та Джеффрі Хінтон. Чудовий курс і вимагав: знання обчислення, володіння Octave (з відкритим кодом MatLab-подібний клон), хороший алгоритмічний дизайн (для масштабування) та лінійна алгебра.
Ви також можете (хоча не математика сама по собі) замислюватися над такими темами, як обробка природних мов (для вилучення функцій тощо), пошук інформації, статистика / теорія ймовірностей, а також інші області машинного навчання (щоб отримати більше теорії). Останні тексти, такі як "Основи машинного навчання" (Морі) або "Вступ до машинного навчання" (Альпадідин), можуть бути корисними вам для подолання складності теорії до впровадження (на мою думку, це може бути важким стрибком) - і обидва тексти дуже важкі для математики, особливо Основи.
Знову ж таки, я думаю, що всі стосуються математики та НН, але в більш широкому сенсі.