Saya akan mengatakan bahwa prasyarat paling penting untuk Pembelajaran Mesin adalah Aljabar Linier , Optimasi (baik numerik dan teoritis) dan Kemungkinan .
Jika Anda membaca rincian implementasi algoritma pembelajaran mesin umum (saya ingat LASSO, Elastic Net, SVMs) persamaannya sangat bergantung pada berbagai identitas (bentuk ganda dari masalah optimasi, berbagai rumus yang berasal dari aljabar linier) dan implementasi mengharuskan Anda untuk terbiasa dengan teknik seperti gradient descent.
Kemungkinan adalah harus memiliki keduanya dalam Kerangka Pembelajaran PAC dan setiap kali Anda belajar tes.
Kemudian, hanya kemudian, analisis fungsional dapat berguna. Terutama ketika Anda mempelajari kernel (dan menggunakan teorema representasi).
Mengenai analisis yang kompleks, saya tidak menyadari penggunaan besar teorema penting yang berasal dari bidang ini dalam pembelajaran mesin (seseorang mengoreksi saya jika saya salah).