Математический анализ на уровне пределов и производных - чтобы понимать, что такое частные производные и как считать градиенты. Это напрямую используется в градиентном спуске. А градиентный спуск или его вариации используются в машинном обучении везде. Также нужна база по интегралам, чтобы лучше понимать статистику и работу с непрерывными случайными величинами.
Линейная алгебра - чтобы понимать работу нейросетей и данных в принципе. Нужны вектора, линейные отображения и матрицы, подпространства, базисы, ранг, понимание определителя и скалярного произведения. Не лишним собственные векторы, матричные разложения (для понимания SVD).
На стыке математического анализа и линейной алгебры - матричные разложения для понимания backpropagation.
Теория вероятностей и случайные величины - нужно вероятностное пространство, зависимые и независимые случайные величины, распределения случайных величин, математическое ожидание и дисперсия, комбинаторика, счётное пространство исходов. На стыке математического анализа и теории вероятностей - непрерывные случайные величины. Ну и немного статистика. Это все нужно для понимания работы с данными. Ну и для прохождения собеседований, т.к. решение задач на месте - не редкость.