Prérequis mathématiques pour RO, DS et ML

Ce livre https://web.stanford.edu/~hastie/Papers/ESLII.pdf un classique.

J'aimerais aussi avoir des suggestions de livres pour maitriser ces prérequis avant d'entamer ce master.

Faire de la "Data science " c'est beaucoup de programmation en R, Python ou SAS avec de nombreuses bibliothèques à connaitre.
Tu ferais donc mieux de prendre des tutoriels et de t'entrainer sur des jeux de données comme chez https://www.kaggle.com/ où tu pourras voir les différentes approchent.
Les méthodes de bases (régressions, arbres de décisions, k moyennes...) sont d'un niveau mathématique faible.
Par contre utiliser des mathématiques (proba et statistiques) nécessite d'avoir de l'expérience, je ne crois pas que ce soit une bonne idée de lire des livres théoriques sans faire beaucoup de code.

Attention, les méthodes plus sophistiquées en machine learning (SVM, boosting...) ou même le principe de base des réseaux de neurones nécessitent un minimum de mathématiques (notamment la descente de gradient). En plus, la data science nécessite aussi des compétences statistiques : tu peux aussi avoir affaire à des chaînes de Markov (y compris "cachées"), des méthodes de "bootstrap" (qui sont un peu "50 nuances de loi des grands nombres"), des modèles de régression ou de séries temporelles (où il faut être à l'aise avec l'algèbre linéaire, notamment les projections orthogonales, mais surtout avec les différents tests statistiques et intervalles de confiance mis en jeu) ou encore des modèles bayésiens.

Bref, dès qu'on veut dépasser le niveau "presse-boutons" (je tape la bonne commande pour faire du clustering par exemple) et qu'on veut aussi être prêt à s'adapter à de nouveaux modèles, il faut quand même avoir de bonnes bases en statistiques.

Ceci dit, ça n'enlève rien à l'importance de la pratique des commandes de base avec des jeux de données. A ce propos, il me semble que l'avenir est plutôt à Python qu'à R, notamment parce que c'est un langage généraliste qui peut être utilisé par d'autres informaticiens pour faire des choses purement informatiques (donc le travail d'un data scientist qui utilise Python pourra être mieux intégré au projet d'une équipe contenant des développeurs informatiques).

Les graphes et les probas. Etre à l'aise avec le niveau licence que se soit en logique, les suites, l'algèbre linéaire ou le calcul différentiel. Comme livre il y a le classique : https://www.dunod.com/sciences-techniques/precis-recherche-operationnelle-methodes-et-exercices-d-application