需要的数学还是很多的，看你想学到什么程度了。如果你是新手，啥也不懂。那么我觉得可以先看看华东师范大学出版社与商务印书馆出的高中教材《人工智能基础（高中版）》。这本书是人工智能的独角兽公司商汤科技与华东师范大学一起编的，里面有很多数学。不过这些数学不是很难理解。比如这里面写到了矩阵的卷积。如果你没有学过矩阵也没有关系，照葫芦画瓢吧。
在这个书里，讲到人工智能图像识别的时候，也用到了RGB矩阵。总得来说，每一张照片都可以看成一个三阶张量。一堆照片就是很多三阶张量，它们组成了一个图像空间。因此图像空间里的每一点都对应一张照片。如果你能理解这些数学语言，那么你就很容易看懂人工智能的东西——这个对数学系出身的人来说，没有什么难度。但对没有数学系思维锻炼的人来说，则需要适应一段时间。
想要学习大数据，应该看些什么书？
推荐的学习书单1.《统计学习基础 数据挖掘、推理与预测》尽管应用的是统计学方法，但强调的是概念，而不是数学。《统计学习基础:数据挖掘、推理与预测》内容广泛，从有指导的学习（预测），到无指导的学习；从神经网络、支持向量机，到分类树、提升等主题，应有尽有，许多例子还附以彩图，是同类书籍中介绍最全面的。计算和信息技术的飞速发展带来了医学、生物学、财经和营销等诸多领域的海量数据。
理解这些数据是一种挑战，这导致了统计学领域新工具的发展，并延伸到诸如数据挖掘、机器学习和生物信息学等新领域。2.《模式分类》第二版除了保留了第1版的关于统计模式识别和结构模式识别的主要内容以外，读者将会发现新增了许多近25年来的新理论和新方法，其中包括神经网络、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计学习理论和支持向量机等。
3.《推荐系统实践》过大量代码和图表全面系统地阐述了和推荐系统有关的理论基础，介绍了评价推荐系统优劣的各种标准(比如覆盖率、满意度)和方法(比如AB测试)，总结了当今互联网领域中各种和推荐有关的产品和服务。4.《深入搜索引擎–海量信息的压缩、索引和查询》理论和实践并重，深入浅出地给出了海量信息数据处理的整套解决方案，包括压缩、索引和查询的方方面面。
其最大的特色在于不仅仅满足信息检索理论学习的需要，更重要的是给出了实践中可能面对的各种问题及其解决方法。5.《概率论与数理统计》这本书不用过多介绍了吧，普遍大学里大一时期的教科书，只恨当年没听课啊，现在正在慢慢啃。6.《大数据：互联网大规模数据挖掘与分布式处理》主要内容包括分布式文件系统、相似性搜索、搜索引擎技术、频繁项集挖掘、聚类算法、广告管理及推荐系统。
7.《Web数据挖掘》信息检索领域的书籍，该书深入讲解了从大量非结构化Web数据中提取和产生知识的技术。书中首先论述了Web的基础（包括Web信息采集机制、Web标引机制以及基于关键字或基于相似性搜索机制），然后系统地描述了Web挖掘的基础知识，着重介绍基于超文本的机器学习和数据挖掘方法，如聚类、协同过滤、监督学习、半监督学习，最后讲述了这些基本原理在Web挖掘中的应用。
《Web数据挖掘》为读者提供了坚实的技术背景和最新的知识。8.《数据之巅》对大数据追根溯源，提出当前信息技术的发展，已经让中国获得了后发优势，中国要在大数据时代的全球竞争中胜出，必须把大数据从科技符号提升成为文化符号，在全社会倡导数据文化。9.《深入浅出统计学》本书涵盖的知识点包括：信息可视化、概率计算、几何分布、二项分布及泊松分布、正态分布、统计抽样、置信区间的构建、假设检验、卡方分布、相关与回归等等，完整涵盖AP考试范围。
10.《矩阵分析》本书从数学分析的角度论述矩阵分析的经典方法和现代方法，取材新，有一定的深度，并给出在多元微积分、复分析、微分方程、量优化、逼近理论中的许多重要应用。主要内容包括：特征值、特征向量和相似性，酉等价和正规矩阵，标准形，Hermite矩阵和对称矩阵，向量范数和矩阵范数，特征值和估计和扰动，正定矩阵，非负矩阵。
11.《统计学习方法》本书全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、em算法、隐马尔可夫模型和条件随机场等。除第1章概论和最后一章总结外，每章介绍一种方法。叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。
为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文献。12.《机器学习导论》对机器学习的定义和应用实例进行了介绍，涵盖了监督学习。贝叶斯决策理论。参数方法、多元方法、维度归约、聚类、非参数方法、决策树。线性判别式、多层感知器，局部模型、隐马尔可夫模型。分类算法评估和比较，组合多学习器以及增强学习等。
