※ 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