怎么样才能学好数学?
数学这么有用而重要,那么学好数学的总的指导原则是什么?或者说,如何才能够成为一名数学高手呢?估计大部分人都还是希望自己数学能力很强的,尤其是学理工科的娃儿们。可惜,很多时候是想而不得啊!究其原因,还是学习的方法不对。这里想借用方开泰老先生的自传中关于数学学习的体会来对该问题进行回答[3]。方先生是许宝騄先生的得意弟子,而许宝騄先生是我国统计学的开山鼻祖。方先生在多元统计方面做出了开创性的贡献,尤其在均匀试验设计以及广义多元分析方面独树一帜。他的自传的具体信息见书籍 4。
书籍 4 漫漫修远攻算路: 方开泰自述 (方开泰)
在此书中,方先生透露学好数学的总的原则在于[3]:
(1)如果学到一个抽象的概念,要举一反三;如果学到一个比较具体的例子,要将它抽象到一般的情形。
前半句的意思是说对于数学中比较抽象的概念,要能够举出一些具体的实例。比如说,线性代数里有空间的概念,那我们就可以举出很多实际的例子,例如复数空间,函数空间等;后半句对于具体的例子要善于抽象出其本质,例如关于计算二维平面点的距离,如果推广到三维空间、四维空间……一直到n维空间,该怎么计算?这种具体到抽象的方式往往是进行数学创造和发明的最有效途径。
(2)全信书不如无书,要努力给出比书中更好的证明,更多的应用,更一般的定理。每做完一道题,都要试着换一种解法;
(3)每看完一本书,都要找一个新起点(突破点)。
(4)不满足于按照书上的体例记忆其内容或者推导其内容,而是打乱书上原有的顺序,自己找各部分之间的联系和规律,并将不同的方法加以比较。
(5)要将书变薄,然后变厚。
即先要将整套书中的理论进行消化和吸收,内化成自己的框架和方法论体系,然后再将这套框架和方法论体系进行推广或应用,产生出新的内容。这一观点与华罗庚先生的不谋而合。
纵观上面这些总的原则或要点,我们可以深刻体会到:高手之所以成为高手,之所以能够开宗立派,还是在于其先进的学习理念和独特的治学方式。这些学习数学的原则如果能够认真借鉴,相信一定能够受益匪浅。
关于如何在统计理论上有所创造,许宝騄先生有一段金玉良言[3],现在引用如下,与大家共勉:
“发展统计理论有3种方法:解析的方法、代数的方法、概率的方法。解决一个统计问题,如果能够用概率的方法,一定是最好的方法。所谓概率的方法,是直接处理随机变量(包括随机向量和随机矩阵)。对一个问题只要概率的方法能够用上,就表明已经找到了最好、最简便的方法。”
关于如何学好数学,结合个人学习数学的体会,有些经验可以与读者们分享一下,供大家参考。个人觉得“纸上得来终觉浅,绝知此事要躬行”,学习数学还需要注重实践。即学完书上的理论和推导,你可能没有特别深刻的体会,可以通过MATLAB、Python或R语言编程将课后的习题做一做。如果你能够通过代码实现课本上的数学理论,那就算是彻底搞懂了。现在国内外很多著名大学专门为数学课程配备一定的数学实验课时,专门为学生提供这方面的训练,效果很不错。相信随着时代的进步,这种学习数学的新理念和方式,将会越来越被大家所接受。
关于怎么样才能学好数学的更多精彩内容,可以购买《人工智能怎么学》进一步阅读。
图书购买方式
京东:https://item.jd.com/13395339.html
当当:http://product.dangdang.com/29469230.html
天猫:https://detail.tmall.com/item_o.htm?id=687374654836
为了让图书惠及更多的读者,为更多想学习人工智能的人提供帮助,经过向出版社申请,对图书《人工智能怎么学》的部分内容进行改编和连载。图书《人工智能怎么学》的全部内容包含了初级入门、中阶提高以及高级进阶三个级别的内容。连载的内容主要是初级入门级别,适合想对人工智能进行快速和高效入门的读者,对于已有一定的人工智能学习基础,希望进一步进阶或提高的读者,则需要购买图书《人工智能怎么学》,学习中阶提高以及高级进阶的内容。此外,对于学习人工智能感兴趣的读者,也可以加入知识星球《人工智能怎么学》,知识星球是一个构建学习社群的平台,通过加入《人工智能怎么学》的社群,你将获得更多的学习资料和课程信息。
与作者互动和了解更多信息
想跟作者一起学习人工智能和互动,你可以加入如下社群:
知识星球:https://t.zsxq.com/0aLkVg0os
QQ群:600587177
想了解更多关于人工智能学习及实践的内容,请关注如下媒体:
官方网站:https://bigdatamininglab.github.io
官方微信公众号:人工智能怎么学(微信搜索“人工智能怎么学”添加关注)
CSDN:https://blog.csdn.net/audyxiao001
参考文献
张文俊. 数学欣赏[M]. 北京: 科学出版社, 2011.
李文林. 数学史概论 第4版[M]. 北京: 高等教育出版社, 2021.
方开泰. 漫漫修远攻算路:方开泰自述[M]. 长沙: 湖南教育出版社, 2016.
徐品方. 数学王子——高斯[M]. 哈尔滨: 哈尔滨工业大学出版社, 2018.
同济大学数学系. 高等数学(第7版)[M]. 北京: 高等教育出版社, 2014.
李忠,周建莹. 高等数学(第2版)[M]. 北京: 北京大学出版社, 2009.
Joel Hass et al.Thomas’ Calculus: Early Transcendentals (Fourteenth Edition)[M]. Pearson, 2018.
Ron Larson, and Bruce Edwards. Calculus (Eleventh Edition) [M].Cengage Learning, 2018.
华东师范大学数学科学学院. 数学分析(第5版)[M]. 北京: 高等教育出版社, 2019.
常庚哲, 史济怀. 数学分析教程(第3版)[M]. 合肥: 中国科学技术大学出版社, 2012.
Walter Rudin. Principles of Mathematical Analysis (ThirdEdition) [M]. McGraw-Hill Education, 1976.
Vladimir A. Zoric. Mathematical Analysis (Second Edition) [M].Springer, 2016.
Elias M. Stein, and RamiShakarchi. Real Analysis: Measure Theory, Integration, and Hilbert Spaces [M]. Princeton University Press,2004.
Elias M. Stein, and Rami Shakarchi. Complex Analysis [M]. Princeton University Press,2005.
Elias M. Stein, and Rami Shakarchi. Fourier Analysis: AnIntroduction [M]. PrincetonUniversity Press,2003.
Elias M. Stein, and Rami Shakarchi. Functional Analysis:Introduction to Further Topics in Analysis[M]. Princeton University Press, 2011.
丘维声. 简明线性代数[M]. 北京: 北京大学出版社, 2002.
居于马. 线性代数(第2版)[M]. 北京: 清华大学出版社, 2002.
李尚志. 线性代数[M]. 北京: 高等教育出版社, 2002.
李炯生. 线性代数(第2版)[M]. 合肥: 中国科学技术大学出版社, 2010.
龚昇. 线性代数(第2版)[M]. 合肥: 中国科学技术大学出版社, 2005.
任广千, 谢聪, 胡翠芳. 线性代数的几何意义[M]. 西安: 西安电子科技大学出版社, 2015.
Kuldeep Singh. Linear Algebra: Step by Step [M]. OxfordUniversity Press,2014.
Gilbert Strang. Introduction to Linear Algebra (Fifth Edition)[M]. Wellesley-Cambridge Press, 2016.
David C. Lay et al. Linear Algebra and Its Application (FifthEdition) [M]. Pearson,, 2016.
Sheldon Axler. Linear Algebra Done Right (Third Edition) [M].Springer, 2015.
Gerald Farin, and Dianne Hansford. Practical Linear Algebra:A Geometry Toobox (Third Edition) [M]. CRC Press, 2013.
Gilbert Strang. Linear Algebra and Learning from Data [M].Wellesley-Cambridge Press, 2019.
徐仲. 矩阵论简明教程(第3版)[M]. 北京: 科学出版社, 2014.
张贤达. 矩阵分析与应用(第2版)[M]. 北京: 清华大学出版社, 2013.
Gene H. Golub, and Charles F. Van Loan. Matrix Computation (FourthEdition) [M]. The Johns Hopkins University Press, 2013.
Roger A. Horn, and Charles R. Johnson. Matrix Analysis (SecondEdition) [M]. Cambridge University Press, 2013.
盛骤, 谢式千, 潘承毅. 概率论与数理统计(第4版)[M]. 北京: 高等教育出版社, 2008.
陈希孺. 概率论与数理统计[M]. 合肥: 中国科学技术大学出版社, 2017.
Jay L. Devore. Probability and Statistics for Engineering andthe Sciences (Ninth Edition) [M]. Cengage Learning, 2016.
Morris H. DeGroot, and Mark J. Schervish . Probabilityand Statistics (Forth Edition) [M]. Pearson, 2012.
高惠璇. 应用多元统计分析[M]. 北京大学出版社, 2004.
王静龙. 多元统计分析[M]. 科学出版社, 2008.
T. W. Anderson. An Introduction to Multivariate StatisticalAnalysis (Third Edition) [M]. John Wiley & Sons, 2003.
Richard A. Johnson, and Dean W. Wichern . Applied Multivariate Statistical Analysis (SixthEdition) [M]. Pearson, 2007.
程士宏. 测度论与概率论基础[M]. 北京: 北京大学出版社, 2004.
严加安. 测度论讲义(第2版)[M]. 北京: 科学出版社, 2004.
Krishna B. Athreya, and Soumendra N. Lahiri. Measure Theoryand Probability Theory (Third Edition) [M]. Springer, 2006.
Paul R. Halmos. Measure Theory [M]. Springer Science+Business Media, 1974.
胡迪鹤. 高等概率论及其应用[M]. 北京: 高等教育出版社, 2008.
郑忠国. 高等统计学[M]. 北京: 北京大学出版社, 2012.
Craig A. Mertler, and Rachel Vannatta Reinhart. Advanced andMultivariate Statistical Methods: Practical Application and Interpretation (SixthEdition) [M]. Routledge, 2017.
Eugene Demidenko. Advanced Statistics with Applications in R [M].John Wiley & Sons, 2020.
何书元. 随机过程[M]. 北京: 北京大学出版社, 2008.
张波, 张景肖. 应用随机过程[M]. 北京: 清华大学出版社, 2004.
Sheldon M. Ross. Introduction to Probability Models (TwelfthEdition) [M]. Academic Press, 2019.
Robert G. Gallager. Stochastic Processes: Theory forApplications [M]. John Wiley & Sons, 2013.
David Forsyth. Probability and Statistics for ComputerScience (Twelfth Edition) [M]. Springer, 2018.
Luc Devroye et al. A Probabilistic Theory of PatternRecognition [M]. Springer, 1997.
《运筹学》教材编写组. 运筹学(第4版)[M]. 北京: 清华大学出版社, 2013.
胡运权, 郭耀煌. 运筹学教程(第5版)[M]. 北京: 清华大学出版社, 2018.
Frederick S. Hillier, and Gerald J. Lieberman. Introductionto Operation Research (Tenth Edition) [M]. McGraw-Hill Education, 2015.
Hamdy A. Taha. Operation Research:An Introduction (TenthEdition) [M]. Pearson, 2017.
陈宝林. 最优化理论与算法(第2版)[M]. 北京: 清华大学出版社, 2018.
高立. 数值最优化方法[M]. 北京: 北京大学出版社, 2014.
Edwin K. P. Chong, and Stanislaw H. Zak. An Introduction toOptimization (Fourth Edition) [M]. John Wiley & Sons, 2013.
Jorge Nocedal, and Stephen J. Wright. Numerical Optimization(Second Edition) [M]. Springer, 2006.
Stephen Boyd, and Lieven Vandenberghe. Convex Optimization[M]. Cambridge University Press, 2004.
Yuni Nesterov. Lectures on Convex Optimization (SecondEdition) [M]. Springer, 2018.
李航. 统计学习方法(第2版)[M]. 北京: 清华大学出版社, 2019.
周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.
Yuni Nesterov. The Elements of Statistical Learning: DataMining, Inference, and Prediction (Second Edition) [M]. Springer, 2009.
Tom M. Mitchell. Machine Learning [M]. McGraw-Hill Education,1997.
Christopher Bishop. Pattern Recognition and Machine Learning[M]. Springer, 2006.
Mehryar Mohri et al. Foundation of Machine Learning (SecondEdition) [M]. The MIT Press, 2018.
Kevin P. Murphy. Probabilistic Machine Learning: AnIntroduction [M]. The MIT Press, 2022.
Shai Shalev-Shwartz, and Shai Ben-David. UnderstandingMachine Learning: From Theory to Algorithms [M]. Cambridge University Press,2014.
Ian Goodfellow et al.Deep Learning [M]. The MIT Press, 2016.
杨强, 张宇, 戴文渊, 潘嘉林 . 迁移学习[M]. 北京: 机械工业出版社, 2020.
杨强, 刘洋,程勇 等. 联邦学习[M]. 北京: 中国工信出版集团, 电子工业出版社, 2020.
周志华. 集成学习:基础与算法(第2版)[M]. 李楠, 译. 北京: 清华大学出版社, 2019.
Richard S. Sutton, and Andrew G. Barto. ReinforcementLearning: An Introduction [M]. The MIT Press, 2018.
Amparo Albalate, and Wolfgang Minker. Semi-Supervised andUnsupervised Machine Learning [M]. ISTE, and John Wiley & Sons, 2011.
Christoph Molnar. Interpretable Machine Learning: A Guide forMaking Black Box Models Expainable [M]. lulu.com, 2020.
Judea Pearl. Causality: Models, Reasoning, and Inference(Second Edition) [M]. Cambridge University Press, 2009.
注:本文版权归作者个人所有,如需转载请联系作者,未经授权不得转载。
怎么样才能学好数学?相关推荐
- 陈省身数学奖获得者张继平:怎样才能学好数学?
数学是自然科学的基础,也是重大技术创新发展的基础.做好数学教育,加强数学研究,已经被提到了前所未有的层面:但另一边,数学却一直是大多数学生最"惧怕"的学科. 本期<开讲啦&g ...
- 人工智能人才争抢白热化?学好数学才能C位出道
近代数字重要奠基人之一的德国数学家高斯曾说:"数学是科学的'皇后'." 在"大数据"和"人工智能"的浪潮中,算法是核心,而数学.统计学.概率 ...
- 高中数学怎么学好怎样才能学好高一数学
进入高中以后,往往有不少同学不能适应数学学习,进而影响到学习的积极性,甚至成绩一落千丈.出现这样的情况,原因很多.但主要是由于学生不了解高中数学怎么学好怎样才能学好高一数学.肖老师结合高中数学教学内容 ...
- 小学生学计算机从几年级开始,怎样才能学好小学数学,小学数学(人教版)从几年级开始学习分数?...
学好数学的方法,其实跟读其他科目没太大差别,需注意以下几点: 1. 课前预习.2. 专心听讲.3. 课后练习.4. 善于思考.5. 查漏补缺. 一.学会主动预习 新知识在未讲解之前,认真阅读教材,养成 ...
- 第一节:网页概述 学习目标 怎样才能学好前端
一.什么是网站? 网站是构成web的基础,就是指在网际网络(万维网)上,根据一定的规则, 使用HTML等工具制作的用语展示特定内容的相关网页的集合,同时也是构成 web的基础. 二.网页 网页是网站中 ...
- 学计算机编程难吗,电脑编程难学吗 如何才能学好电脑编程
电脑编程难学吗,相信这是很多即将进入编程行业人员最常问的问题,而且在此之前很多人都有听说过电脑编程很难学,那么事实是不是真的这样的呢,其实在编程这个行业中很多人已经取得非常好的成就,对于一些不懂电脑编 ...
- 通信的数学理论_《香农传》告诉你为什么要学好数学
可能是你正在大学攻读数学,又或者你已经有孩子,需要辅导他数学,都可以看看这本书,(美)吉米·索尼 罗伯·古德曼的<香农传>,或对数学有个新的认识. 书写得有趣.精巧,让非常复杂的数学和通信 ...
- 怎么才能学好大数据开发 一般能从事哪些岗位
怎么才能学好大数据开发?一般能从事哪些岗位?IT开发行业一直是公认的高薪人才聚集地,吸引了无数的人投身其中.目前市场上的热门编程语言很多,大数据技术绝对是其中颇具典型的一个.随着互联网技术的迅猛发展以 ...
- [转载] 童裕孙老师谈“如何学好数学基础课”
数学基础课是高等学校许多专业的学生必修的课程.学生在体验了初入高等学府的激动.兴奋和新奇等感受之后,很快发现高校的学习和中小学有很大差别.这一点特别表现于数学基础课.一些原本在中学里数学成绩不错的学生 ...
最新文章
- Hspice2008安装步骤
- ibatis中resultClass与resultMap 的区别
- hdu3094 A tree game
- OpenCV-计算自然对数cv::log
- nginx rewrite重写规则配置详解
- 将CString转换成string ...
- 网站扫描服务器全部开放端口,服务器开放端口扫描
- Reeder Web版
- 机器学习十大算法案例
- 基于YOLO的新型RGB-D融合方法对行人进行检测和3D定位
- k-mer matching算法以及它存储受限的原因
- 怎么投诉或举报京东第三方商家
- 概率统计Python计算:全概率公式
- Jest 组件库单元测试【基础语法篇】
- 【同步与补偿】频率偏移
- 【JS】AMD,CMD,CommenJS和ES6
- 原生JS实现的滚动抽奖工具(可设置每个奖品概率、滚动速度、滚动圈数)
- 现代软件工程讲义 2 工程师的能力评估和发展
- 简约不简单 细说专票电子化的“四个新”
- 滴滴Logi日志服务五大PASS套件开源时间表
热门文章
- Lecture 4: Information Gathering, Modelling and Workflows
- (DCDC)CM3601降压型开关稳压器 60V,480KHz,0.5A
- android集成保利威直播趟过的坑
- matlab绘制星形线并求面积,星形线面积怎么求
- 截图(终极利器---Win+Shift+S win10自带截图功能)
- openvz的安装与使用
- Latex 字母上方箭头
- 别玩手机了,你没时间了!
- 天玑1300和骁龙870哪个好 天玑1300和高通骁龙870差距
- PS-InSAR茂县滑坡监测