Matematyka dla informatyki [zamknięta]

Bardzo dobre i ważne pytanie! Dobre zrozumienie matematyki jest niezbędne dla każdego Informatyka, a wymagania matematyczne zaczynają być coraz bardziej zróżnicowane.

• Matematyka dyskretna jest najważniejszą i podstawową klasą informatyki i z tego powodu jest zwykle oferowana w działach CS zamiast działów matematyki. Ta klasa będzie podstawą wstępu do algorytmów do klasy i nauczy Cię, jak udowodnić rzeczy matematycznie i daje podstawy analizy struktur danych i algorytmów.
• rachunek matematyczny , choć nie jest używany bezpośrednio na zajęciach z informatyki na poziomie wstępnym, jest zazwyczaj sekwencją kursów oferowanych przez Twoją uczelnię w celu wzmocnienia twoich umiejętności matematycznych. Jednak gdy zaczniesz zajmować się takimi rzeczami, jak programowanie numeryczne i uczenie maszynowe, okaże się to niezwykle przydatne. Jest to również wymóg dla zaawansowanych kursów prawdopodobieństwa / statystyki.
• prawdopodobieństwo jest zwykle pokryte w niektórych zakres w klasie matematyki dyskretnej, ale będziesz chciał wziąć zajęcia z ciągłych rozkładów prawdopodobieństwa i wnioskowania statystycznego , prawdopodobnie w dziale matematyki i statystyki. Daje to lepsze zrozumienie sposobu wykonywania obliczeń numerycznych i symulacji i jest zasadniczo niezbędne dla uczenia maszynowego, jednego z najważniejszych zastosowań informatyki.
• Algebra liniowa {[5] } jest klasą, którą znajdziesz przede wszystkim dla klasy uczenia maszynowego i (zaawansowanych) algorytmów, ale jego znaczenie w wizji komputerowej, grafice komputerowej, uczeniu maszynowym i innych subdyscyplinach ilościowych jest najważniejsze.

To powiedziawszy, jeśli wstęp do klasy uczenia maszynowego jest dostępny, prawdopodobnie obejmą wystarczająco dużo algebry liniowej i innych rzeczy, które można uzyskać za pomocą podstawowej klasy prawdopodobieństwa. Jednak w przypadku studiów podyplomowych z informatyki, dobre zrozumienie wszystkich dziedzin matematyki powyżej jest niezbędne.

Poza maturą licencjacką, kursy matematyczne wyższego poziomu są przydatne w niektórych teoretycznych obszarach informatyki (np. algorytmiczna teoria gier, która krzyżuje się z ekonomią), a zwłaszcza w wychodzeniu poza uczenie maszynowe do opracowywania nowych algorytmów. Kursy te obejmują:

• Prawdziwa analiza , w tym teoria miary gdzie przekonasz się, że jeśli badasz prawdopodobieństwo i rachunek wystarczająco długo, zbiegają się one jeszcze raz. Analiza jest na ogół przydatną rzeczą, o której warto wiedzieć, gdy zaczyna się pracę z algorytmami wykorzystującymi liczby.

• Optymalizacja , w tym optymalizacja liniowa, optymalizacja wypukła, opadanie gradientu i tak dalej. W wielu przypadkach "uczenie się" modelu uczenia maszynowego sprowadza się zasadniczo do optymalizacji funkcji celu, a właściwości tej funkcji, takie jak to, czy jest wypukła, mają duży wpływ na to, jak łatwo jest / align = "left" /

• Metody numeryczne : niektórzy nie uznaliby tego za klasę matematyki per se , ale w tłumaczeniu algorytmów i teorii na niedoskonałą reprezentację matematyki zmiennoprzecinkowej, istnieje wiele praktycznych problemów do rozwiązania. Na przykład, log-sum-EXP trick.

• Dla tych, którzy będą w "data science" i pokrewnych dziedzinach, zaawansowane statystyki, a zwłaszcza wnioskowanie przyczynowe są bardzo ważne. Istnieje wiele warto wiedzieć, głównie dlatego, że dostęp do dużej ilości danych kusi ten problem dla niewtajemniczonych.