@NeutrinoSpinZero: Warto by było abyś napisał Nam dlaczego chcesz się uczyć matematyki: grafika, AI, optymalizacja, kryptografia, coś innego?
Niestety, będą "angielskie" sugestie, ponieważ uważam, że gdy zerkniesz do kodu opartego o model matematyczny (np. scikit-learn), to ucząc się matematyki w tej wersji będzie Ci w przyszłości szybciej i wygodniej się w nim zorientować. Poczynając od notacji (p, q, etc), po nazwy operatorów, funkcji, transformacji itp - przejście z aparatu matematycznego na kod będzie też dla Ciebie bardziej naturalne (szczególnie jeśli i tak już zapomniałeś materiały z szkoły średniej). Przy okazji, starałem się wybrać darmowe materiały.
Na dziś dziejszy, jeśli czujesz, że nie masz podstaw, zabrałbym się za, już polecany, Khan Academy. Możesz znaleźć statystykę albo algebrę i idąc wstecz (po wymaganiach) uzupełnić braki. Super się sprawdza taki sposób nauki, jeśli nie masz za dużo czasu, chcesz powrócić do materiałów, itd. Brilliant jest na trochę wyższym poziomie, ale niestety bez sporej inwestycji nie za bardzo można z niego skorzystać codzień.
Poparłbym to Schaum's Outline of Essential Computer Mathematics - mam schowane w szufladzie bo koledzy się ze mnie śmieją (Schaum's Outline - to takie coś jak seria 'dla kretynów') - może ktoś to już nawet przetłumaczył na polski? Dość skondensowana wiedza, ale podana w strawny sposób.
Teraz taka moja wersja, bardziej rozwinięta, sugestie szerokie - bo mam nadzieję, że może ktoś w wątku się dołączy i swoje sugestie i/lub krytykę poczyni. To z doświadczenia, czyli nauki matematyki na potrzeby dogadania się z modelarzami rzeźb abstrakcyjnych w masie ryzyka; zwanego także podejściem statystycznym, wieśniaka kiszącego dane w sosie ery-pre-tensorowej, na potrzeby inteligencji ręcznie wyskrobanej spomiędzy scalaków. ;-)
U mnie praca (potrzeba komunikowania się z quantami) wymusiła szybkie poduczenie się języka (i matematyki). Zabrałem się za to z YouTube i MIT OpenWare - wciąż uważam, że to jedne z lepszych kursów, ale są typowo akademickie, siedzisz i kujesz dopóki nie załapiesz, tak jak poprzednio podlinkowane:Single Variable Calculus, Multivariable Calculus, Linear Algebra i Differential Equations.
Wersje na YouTube trochę to łatwiej tamże konsumować. Nauka zabrała mi 8 miesięcy, praktycznie co wieczór, i przez jakieś 2 lata spokojnie mogłem podjąć się tłumaczenia nawet dość zaawansowanych koncepcji, ale że takiej potrzeby nie było i nie używam już tej wiedzy od kilku dobrych lat, nie polecałbym Ci od tego zaczynać. Raczej z dystansu pooglądać, tak tylko żeby się zorientować o co biega w algebrze (przed algebrą liniową, bardzo trudno teraz uciec).
Statystykę podciągałem z The Little Handbook of Statistical Practice i Introduction to Statistical Thought. Przeglądałem i do dziś przeglądam https://en.wikibooks.org/wiki/Statistics i https://www.openintro.org/stat/textbook.php
Przerobiłem też Think Stats - szczerze polecam. Do dziś nie skończyłem Think Bayes, które już nie jest takie przyswajalne, mam kompleksy z tego powodu ;-) i chyba już nie rozciągnę czasu aby zabrać się za kompleksowe myślenie (z tejże serii).
Jakieś 3-4 lata temu, już pod AI, zabrałem się za The Elements of Statistical Learning, An Introduction to Statistical Learning, Bayesian Reasoning and Machine Learning i Gaussian Processes for Machine Learning. W każdej z nich utknąłem, gdziś tak w 1/4 - jeśli mam jakiś projekt, szukam konkretnej wiedzy pod niego. Trochę czuję, że Gaussian Processes warto byłoby skończyć, bo drzemie tam wiedza iście tajemna.
(edit, bo zapomiałem) Mathematics for Machine Learnig jest całkiem sprawnie dostarczone.
Zrobiłem jedną z poprzednich wersji kursu Essential Math for Machine Learning: Python Edition - polecam, praktycznie i na temat. Kursów z resztą (szczególnie statystyki) jest na Coursera, edX i w wielu, wielu innych platformach MOOC całem mnóstwo (o dość dużym skew jakości niestety), Introduction to Computational Thinking and Data Science jest całkiem spoko w tym temacie.
Polecam Math Adventures with Python autora Hacking Math Class, dzięki tej książce dzieciaki które w ramach takiego klubu kodowania męczyłem nie umarły z nudów (a ja z upokorzenia).
Przeczytałem niedawno Good Math, a właściwie przekartkowałem, poziom dość podstawowy, ale napisane w miarę żwawo, na temat i myślę, że jeśli wpadnie Ci w ręce warto poświęcić na nią czas. Co chwila zaglądam do Guide to Essential Math, ma książka ta wiele wad, ale nagromadzenie materiału w jedym miejscu robi z niej całkiem dobry punk odniesienia (można ją też wykorzystać w pomniejszych konfliktach biurowych, o ile ktoś nie wyciągnie Numerical recipes lub jaką matematykę konkretną albo pleśniejący tom Knuth'a).
Także jak widzisz, życie można na tym stracić, a nerwy i wzrok zdrowy to już na 99.(9)% - zastanów się więc Waść po cóż Ci to?