※ 引述《StubbornLin (Victor)》之銘言:
: ※ 引述《nvfp (nvfp)》之銘言:
: : 像我第一篇會議就是搭 模糊集合 離群值分析 和內插法
: : 第二篇期刊則是模糊推論搭一些統計
: : 大概差不多是這樣子吧, 程式 資結 演算法
: : 除非是要去算效能什麼的 或要做演算法複雜度上的改進
: : 不然一般的數學不太會用到 大部份比較是拿來當工具用
作理論資訊科學的,演算法分析是一門很困難的 subject,
Knuth 的門生 Sedgewick寫了一本 "An Introduction to the Analysis of Algorithms"
有興趣可以看看 ...
: : 熊熊又想到 離散的漢米爾頓路徑/迴圈之類的
: : 可以用在網路結構的設計 有位老師做這方面的
: : 好像還有出一本書叫 沒有數字的數學
: 其實數學不好,寫一般普通的應用程式都沒什麼問題
: 但如果是比較深入的技術開發之類的東西
: 很多都需要數學的底子,否則真的是完全看不懂
: 我就有買過密碼學的書,和類神經網路的
這兩者需要的數學背景不大一樣,密碼學以代數為主,
而且有些 topics 如橢圓曲線需要代數曲線(用到一些代數幾何的東西)。
: 光是符號就看不太懂了
: 而至於物理也是一樣,遊戲的物理模擬沒有物理加數學的底子
: 要自己去生出引擎來真的很困難,會扯到一些誤差
: 逼近法有的沒有的,泰勒展開式、尤拉什麼鳥的....#$%$^%
以上這些其實都已經有點古老了,現在先進的估計方法有很多
大量應用泛函分析的技術 ...
: 剛體運動還會扯到角動慣量之類的東西,這時微分積分就跑不掉了 囧
古典力學跟代數的群論相當有關喔... :pp
: (抱怨一下= = 我們微積分老師是個老婆婆...不知道在教什麼鬼 orz
: 還有期中考要到了 線代 普物也跑不掉阿 orz...)
: 所以應該是看走向吧? 我個人是這樣覺得
: 寫普通的應用程式,只是會用的話,例如資料庫之類的,高中的數學就夠了
: 但如果是比較專業且深入的應用,就很可能需要大學以上的數學
專業且深入的應用 ...我想研究所的數學應該差不多 :p
像訊號處理弄到一定的程度後,得學會隨機過程,
但是這門領域需要會些什麼呢?機率當然是必備,還有很純數學的
實分析其中包括測度論。然而像 DSP 的 Z-Transform 本質上
是複分析理論的應用(Laurent series)。
影像處理也要看走哪一方面,當然 fourier analysis 必備。
隨便舉幾個例子大概就這樣 @"@
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 125.229.166.45