看到高贊回答的列表，從科研廢物角度加一些經驗。反智來說，其實高數和線性代數就夠用了，用到啥學啥，深度學習裏面太復雜的理論其實都不太work。
機率論 -- 機器學習的祖宗，核心中的核心，最大似然yyds，灌水優先級10星
高數\數學分析 -- 入門要求，反向傳播需要求多元偏導，，灌水優先級10星
線代\矩陣論 -- 入門要求，PCA、最小平方等等，，灌水優先級7星
隨機過程 -- MCMC、強化學習、隨機最佳化；應該算機率論進階版，，灌水優先級6星
泛函分析 -- 機率圖模型、變分貝葉斯、泛化性上限；數分進階版，屠龍之術，， 灌水優先級 5星
數值最佳化 -- 不太熟悉，可能是龍格庫塔？過於底層了，灌水優先級1星
微分流形 -- 機器學習灌水神器；其實就是個局部線性加權求和，，灌水優先級3星
點集拓撲 -- 和流形一個東西
代數拓撲 -- 不懂
抽象代數 -- 不懂
實變函式 -- 同泛函
測度論 -- 同泛函
代數幾何 -- 影像圖形學必備，灌水優先級5星
復變函式 -- 傳統CV必備，低頻高頻，幾乎只在low-level 領域出現，，灌水優先級3星
數理邏輯 -- neural symbolic 新興領域，，灌水優先級4星
賽局論 -- 可能對GAN有幫助，目前沒見過廣泛套用的理論工作，求推薦
熱力學 -- RBM、softmax等基於能量的模型 ；其實還是機率論，學科互通，，灌水優先級2星
自動控制原理 -- 李雅普諾夫，偶爾會有一些用控制論分析網路穩定性的工作
從不同數學科目來學習很散，其實有精力刷一遍bishop的PRML 就夠了：）
