链接：https://www.zhihu.com/question/22539111/answer/21728449
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
作为联合数学计算机专业(Joint CS/Math)的学生，我明白你是什么意思。这些数学术语看起来很高端很前沿，其实就是逗你玩，让计算机本科生觉得数学家好伟大的一个东西。也就是说，不用学那么多数学，paper也可以看懂。
最基础所以也是最重要的的当然是离散数学(Discrete Math) ，其内容包括很基础的排列组合、图论、数论等。第一层要求就是知道术语，这样看paper就不会那么恶心了。第二层是明白定义想得出来基础证明和了解应用方向，作为计算机专业，这个你肯定听得多了。第三层是能自行计算，延伸等。这是个很像高中奥林匹克数学的大学计算机基础课。假如你都知道就当我没说。假如你很多东西都不知道的话就去上一门Discrete Math的课吧。Coursera有，MIT OpenCourseWare 也有（MIT OCW不用等：Mathematics for Computer Science）。
万一看不下去paper总得有学术之外的事情做吧。计算机专业的话，我假设你的数据结构(Data Structures)跟算法(Algorithms)都说的过去，不然找不到工作。其中算法与数学关系较大。尽管离散数学不好算法怎么学得好我也不知道。。。学术方面，算法跟图论有很多重叠，但我还是假设你的离散数学还可以，所以你只要是看CLRS(算法导论／Introduction To Algorithms)到证明NP-Completeness就可以了。
之后便是运筹／线性最优化 (Operations Research/Linear Programming)，组合优化的一个重要部分。我估计你在看跟这个有点关系的paper。此学科听起来很恶心，但是学起来很容易很容易，只需要线性代数的基础，连eigenvalue什么的都一般不需要。普通的linear programming你应该在学算法的时候接触过，没接触过的话请复习CLRS。要想学些这方面的应用数学，Coursera有Linear & Discrete Optimization 还有 Linear & Integer Programming。选一个老师长得比较顺眼的，六个礼拜应该可以搞定。
概率论和随机过程其实算是两节课，但是概率论比较简单(假设离散数学没有问题的话)，所以学完线性最优化之后就应该是Stochastic Optimization/Methods/Processes。这个找大学教材就可以了，很完善的一堂课，应用数学啊工程啊都会去上。其实要是只为了读懂这个paper，查一下用的模型就可以了。
代数对于你过于抽象，离CS应用比较遥远，除非你在做化学有关的课题。我在数学系学到表示论(Representation Theory)跟侧重数学的傅立叶分析(Princeton Lectures: Fourier Analysis by Stein)等虐死人的课才能深刻理解DFT，FFT等本科工程师整天用结果的东西，那时才了解到大多人要研究很多很多年才能提取出这个CS-Algebra相关的抽象。再说跟你想看的paper的关系也很小，所以暂时不必要。
数学分析很有用，但是也不是什么外行喜欢看的学科，跟你的paper有关系的概率十分地小，假如有关系的话也很可能是你半年学分析还没学到的，是个得不偿失的选择。
加： machine learning 和 data mining 这种超级火的东西，我还没有review过很多教材，所以不能说我什么都很知道。但从我看到过的，线性代数都会被用到。我知道feature extraction总是要用些signal processing，spectral theory的东西的。所以线性代数还是要学到深一些为好。但线代本身其实是学不完的，所以我想最基础的也应该学到change of basis, eigen啥啥，最好能明白pseudo-inverse。