关于学习数学

1. 线性代数 (Linear Algebra):我想国内的大学生都会学过这门课程,但是,未必每一位老师都能贯彻它的精要。这门学科对于Learning是必备的基础,对它的透彻掌握是必不可少的。我在科大一年级的时候就学习了这门课,后来到了香港后,又重新把线性代数读了一遍,所读的是

Introduction to Linear Algebra (3rd Ed.) by Gilbert Strang.

这本书是MIT的线性代数课使用的教材,也是被很多其它大学选用的经典教材。它的难度适中,讲解清晰,重要的是对许多核心的概念讨论得比较透彻。我个人觉得,学习线性代数,最重要的不是去熟练矩阵运算和解方程的方法——这些在实际工作中MATLAB可以代劳,关键的是要深入理解几个基础而又重要的概念:子空间(Subspace),正交(Orthogonality),特征值和特征向量(Eigenvalues and eigenvectors),和线性变换(Linear transform)。(如果你能理解傅立叶变化究竟做了一件什么事情,你才能说你知道了子空间!学线性代数一定要理解MATLAB能为你做的事情之外其他的东西,这才是精髓。而很遗憾,很多高校的线性代数考试只测试学生的计算能力。有几个数学老师能告诉学生:我们为什么要计算特征值?)从我的角度看来,一本线代教科书的质量,就在于它能否给这些根本概念以足够的重视,能否把它们的联系讲清楚。Strang的这本书在这方面是做得很好的。而且,这本书有个得天独厚的优势。书的作者长期在MIT讲授线性代数课(18.06),课程的video在MIT的Open courseware网站上有提供。有时间的朋友可以一边看着名师授课的录像,

2. 概率和统计 (Probability and Statistics): (功利一点的讲,统计是最实用的一门学科,如果你不去研究,不去做高端的金融投资分析,那么你可以不去学泛函,不去学线性代数,不去了解拓扑,但你一定离不开统计!时间序列分析也很重要,甚至比统计还来得实用,可国内却鲜有高校开设这门课程。。。)概率论和统计的入门教科书很多,我目前也没有特别的推荐。我在这里想介绍的是一本关于多元统计的基础教科书:Applied Multivariate Statistical Analysis (5th Ed.) by Richard A. Johnson and Dean W. Wichern这本书是我在刚接触向量统计的时候用于学习的,我在香港时做研究的基础就是从此打下了。实验室的一些同学也借用这本书学习向量统计。这本书没有特别追求数学上的深度,而是以通俗易懂的方式讲述主要的基本概念,读起来很舒服,内容也很实用。对于Linear regression, factor analysis, principal component analysis (PCA), and canonical component analysis (CCA)这些Learning中的基本方法也展开了初步的论述。

之后就可以进一步深入学习贝叶斯统计和Graphical models。(To my great acknowledgement, it is just for research.)一本理想的书是

Introduction to Graphical Models (draft version). by M. Jordan and C. Bishop.

我不知道这本书是不是已经出版了(不要和Learning in Graphical Models混淆,那是个论文集,不适合初学)。这本书从基本的贝叶斯统计模型出发一直深入到复杂的统计网络的估计和推断,深入浅出,statistical learning的许多重要方面都在此书有清楚论述和详细讲解。MIT内部可以access,至于外面,好像也是有电子版的。

3. 分析 (Analysis): (这才是真正数学家应该做的事情,无奈本人智力水平有限,无法于此领域有多少见地)我想大家基本都在大学就学过微积分或者数学分析,深度和广度则随各个学校而异了。这个领域是很多学科的基础,值得推荐的教科书莫过于Principles of Mathematical Analysis, by Walter Rudin有点老,但是绝对经典,深入透彻。缺点就是比较艰深——这是Rudin的书的一贯风格,适合于有一定基础后回头去看。

在分析这个方向,接下来就是泛函分析(Functional Analysis)。Introductory Functional Analysis with Applications, by Erwin Kreyszig.适合作为泛函的基础教材,容易切入而不失全面。我特别喜欢它对于谱论和算子理论的特别关注,这对于做learning的研究是特别重要的。Rudin也有一本关于functional analysis的书,那本书在数学上可能更为深刻,但是不易于上手,所讲内容和learning的切合度不如此书。

在分析这个方向,还有一个重要的学科是测度理论(Measure theory),(泛函是一切数学之源,而测度论又是泛函的基石。如今世界顶级投行的quant大部分都是利用概率测度去做风险中性建模和衍生品定价,谁说分析数学没有用?!ibank的衍生品投资分析都是基于测度中性去做的,因为对于大规模投资来说,最大的问题不是profit,而是risk hedging)但是我看过的书里面目前还没有感觉有特别值得介绍的。

4. 拓扑 (Topology):在我读过的基本拓扑书各有特色,但是综合而言,我最推崇:

Topology (2nd Ed.) by James Munkres

这本书是Munkres教授长期执教MIT拓扑课的心血所凝。对于一般拓扑学(General topology)有全面介绍,而对于代数拓扑(Algebraic topology)也有适度的探讨。此书不需要特别的数学知识就可以开始学习,由浅入深,从最基本的集合论概念(很多书不屑讲这个)到Nagata-Smirnov Theorem和Tychonoff theorem等较深的定理(很多书避开了这个)都覆盖了。讲述方式思想性很强,对于很多定理,除了给出证明过程和引导你思考其背后的原理脉络,很多令人赞叹的亮点——我常读得忘却饥饿,不愿释手。很多习题很有水平。

5. 流形理论 (Manifold theory):对于拓扑和分析有一定把握时,方可开始学习流形理论,否则所学只能流于浮浅。我所使用的书是

Introduction to Smooth Manifolds. by John M. Lee

虽然书名有introduction这个单词,但是实际上此书涉入很深,除了讲授了基本的manifold, (个人觉得现在vision领域的manifold learning只是一些无病呻吟的研究,it is just for papers,但是我并不是说流行学习对vision没有用处,只是manifold真正的魅力远没有被挖掘出来!正像俄罗斯那一群科学怪人整出的l1-norm,谁能想到今天对vision界带来了如此大的变革。其实,有时学习数学只是一种信仰。)tangent space, bundle, sub-manifold等,还探讨了诸如纲理论(Category theory),德拉姆上同调(De Rham cohomology)和积分流形等一些比较高级的专题。对于李群和李代数也有相当多的讨论。行文通俗而又不失严谨,不过对某些记号方式需要熟悉一下。

虽然李群论是建基于平滑流形的概念之上,不过,也可能从矩阵出发直接学习李群和李代数——这种方法对于急需使用李群论解决问题的朋友可能更加实用。而且,对于一个问题从不同角度看待也利于加深理解。下面一本书就是这个方向的典范:

Lie Groups, Lie Algebras, and Representations: An Elementary Introduction. by Brian C. Hall

此书从开始即从矩阵切入,从代数而非几何角度引入矩阵李群的概念。并通过定义运算的方式建立exponential mapping,并就此引入李代数。这种方式比起传统的通过“左不变向量场(Left-invariant vector field)“的方式定义李代数更容易为人所接受,也更容易揭示李代数的意义。最后,也有专门的论述把这种新的定义方式和传统方式联系起来。

无论是研究Vision, Learning还是其它别的学科,数学终究是根基所在。(数学是能与上帝对话的语言)学好数学是做好研究的基石。(如果你能摒弃了功利的去学习数学,那么数学也势必能够为你带来功利!)学好数学的关键归根结底是自己的努力但是选择一本好的书还是大有益处的。不同的人有不同的知识背景,思维习惯和研究方向,因此书的选择也因人而异,只求适合自己,不必强求一致。上面的书仅仅是从我个人角度的出发介绍的,我的阅读经历实在非常有限,很可能还有比它们更好的书(不妨也告知我一声,先说声谢谢了)。

原文地址:https://www.cnblogs.com/smtx51/p/9352269.html

时间: 2024-10-20 02:30:21

关于学习数学的相关文章

[转] - 程序员怎么学习数学

I've been working for the past 15 months on repairing my rusty math skills, ever since I read a biography of Johnny von Neumann. I've read a huge stack of math books, and I have an even bigger stack of unread math books. And it's starting to come tog

作为一名SAP从业人员,需要专门学习数学么

最近和SAP成都研究院的开发同事聊到过这个话题,Jerry来说说自己的看法. 先回忆回忆自己本科和研究生学过的数学课程.Jerry的大一生活是在电子科技大学的九里堤校区度过的,本科第一门数学课就是微积分. 因为微积分是计算机专业的学生参加研究生入学考试的必考内容,所以这两本书Jerry几乎已经翻烂了.然而惭愧的是,Jerry加入SAP后做的一直是应用程序层面的开发,当年辛苦习得的这些微积分知识,在工作中没有派上用场. 十多年前,高考前夕,当Jerry还在埋头刷题时,Jerry的老师会不时地放出烟

如何随时学习数学

如何随时学习数学 如何一边看哔哩哔哩一边学习数学 3B1B 百度搜索3b1b 哔哩哔哩搜索3b1b 全名:3Blue1Brown 3Blue1Brown的个人空间 如何一边浏览网页一边学习数学 这就有很多了嘛 关于函数 关于数列 http://oeis.org/?language=chineseS 关于AI引擎 https://www.wolframalpha.com/examples/mathematics/ 如何一边使用软件一边学习数学 几何画板 资源宝贵,要不你去问问zxt? 不发不发~~

深度学习数学《矩阵分析与应用第2版》资料+《最优化理论与算法第2版》电子书资料+《人工智能一种现代的方法第3版》资料学习

理性模型的建模和算法,经验模型的决策建模和算法,构成了目前人工智能的基础,基于学习反馈的模型构成了它的进化.学习人工智能,必须有较好的数学基础. <矩阵分析与应用第2版>电子书中总结了大量线性代数的知识,是一本很不错的书,数学专业可以跳过,主要是给工科生用的.归纳了不少论文中的解法,是做信号处理的一本很不错的工具书,建议认真学习,做电子笔记,对书的重点内容要好好研究. <矩阵分析与应用第2版>系统.全面地介绍矩阵分析的主要理论.具有代表性的方法及一些典型应用,包括矩阵代数基础.特殊

使用Python scipy linprog 线性规划求最大值或最小值(使用Python学习数学建模笔记)

函数格式 scipy.optimize.linprog(c, A_ub=None, b_ub=None, A_eq=None, b_eq=None, bounds=None, method='simplex', callback=None, options=None) 今天阅读数据建模第一章线性规划问题,问题描述如下: 通过介绍我们知道了线性规划,就是目标函数及约束条件均为线性函数. 通过画图我们可知,X1,X2的最优解为2,6,目标值为26. 我们如何时候这个scipy的公式来计算这个值呢:

深度学习数学知识之数理统计

原文地址:https://www.cnblogs.com/xiximayou/p/12401428.html

对我国师生数学学习和教学观念的反思 郇中丹教授

对我国师生数学学习和教学观念的反思 郇中丹教授 1. 问题的由来 长期以来,对中国学生在数学方面的成绩,我们都有一种由衷的自豪感.然而,在过去二十多年北京师范大学数学系的教学过程中,看到一系列的矛盾现象.我一直 以为仅仅是由于教师教学的投入不足.因此,自2001年开始,与王昆扬教授和刘永平教授一起将自己大部分精力投入到本科的教学工作中,我们无论从教学观 念,内容,还是方式上都立足于先进,现代,并且把教学的中心放在学生的数学发展.我们拥有一流的.热爱数学.学习勤奋的学生.可谓是教师尽心,学生竭力.

深度学习相关数学资料

不过在保持学习姿势的时候,方向要正,不能以战术上勤奋掩盖战略上的懒惰,其中数学要学好,特别是对于人工智能/机器学习/深度学习来说,现在打下的数学基础或许会令你将来身价暴涨十倍! 深度学习作为机器学习与人工智能的子集,兴起稍晚,却使得机器学习能够实现众多的应用,并拓展了人工智能的领域范围. 对于深度学习来说,概率统计.微积分.线性代数等是基础课程,虽然算不上深奥,但是必须打好基础. 概率统计.概率统计是许多科学和工程的基础工具,可以告诉我们怎么推论. 微积分.深度学习中出现较多的一个概念就是梯度,

数学学习(转自知乎)

数学方面的能力该怎么培养数学系博士怒答! 我想大家都有这样的体会:小学的时候你根本不知道初中数学是什么样,高中的时候你也根本想不到大学数学是什么样.而大学生,如果你不专注于数学,恐怕也不知道现代数学是什么模样.下面将分别从学数学的动机.数学不同学科的分类以及如何切实可行培养数学能力等几个方面阐述如何学习数学.(另外,欢迎大家收看在数学系读书的感受如何?体会一下数学的乐趣,数学系人的特点以及智商不够该怎么办.) ================进入正题========如何学好数学=========