数学对计算机专业重要吗?

经常听人说要学好计算机必须学好数学,我很难理解这句话。在编程中有用到数学了吗?
关注者
2,583
被浏览
720,996

92 个回答

机器学习中的统计学和矩阵理论是最重要的,就不说了

学机器学习的Convex Optimization测度论和泛函是绕不过的,而Convex Optimization可以说是机器学习的入门问题吧。但并不意味着要完整和深入的学习。从零开始完整的学习一个理论可以说是我国高等教育的一般性做法,而事实上如果仅仅只需要达到工程师的水平很浪费时间。但不学也不行,理论也要理解,不学好Convex Optimization很多相关的论文都读不懂的。所以我在德国研究生阶段上的Convex Optimization课是这么个形式,先半个学期老师给大家介绍测度论和泛函,搞清楚基础概念,理论介绍就算完了,在此之前学生都没学过。然后开始讲Convex Optimization和相关算法,到了最后期末,我们已经能够证明一些简单的问题并看懂会用到Convex Optimization的论文了,至此足矣。你要让我简述一下测度论和泛函,那我是说不出来的。并且就算是研究计算机视觉的博士和博士后,大部分数学功底都一般,绝对谈不上数学家,相关理论都是临时学的。他们终究是研究现实问题,数学只是工具,而且他们关注的领域很狭窄,只要学会了相关的理论,基本就通吃了。下文只是谈到了很多可能性,譬如微分几何用于三维表面分析,关注这一方面的研究者或者工程师(譬如做游戏的,搞3D渲染器的,做人脸识别的,三维重建的)只需要学好微分几何就行了,群论图论不需要懂。其实作为研究者需要学习的数学还是有限的,远远称不上是数学家。


科学网—[转载]《和机器学习和计算机视觉相关的数学(from LinDahua)》

链接中的文章很详细

(以下转自一位MIT牛人的空间文章,写得很实际:)

作者: Dahua

感觉数学似乎总是不够的。这些日子为了解决research中的一些问题,又在图书馆捧起了数学的教科书。从大学到现在,课堂上学的和自学的数学其实不算少了,可是在研究的过程中总是发现需要补充新的数学知识。 Learning 和 Vision 都是很多种数学的交汇场。看着不同的理论体系的交汇,对于一个researcher来说,往往是非常exciting的enjoyable的事情。不过,这也代表着要充分了解这个领域并且取得有意义的进展是很艰苦的。记得在两年前的一次blog里面,提到过和learning有关的数学。今天看来,我对于数学在这个领域的作用有了新的思考。对于Learning的研究,

1、 Linear Algebra ( 线性代数 ) 和 Statistics ( 统计学 ) 是最重要和不可缺少的。 这代表了Machine Learning中最主流的两大类方法的基础。一种是以 研究函数和变换 为重点的 代数方法 ,比如 Dimension reduction , feature extraction , Kernel 等,一种是以 研究统计模型和样本分布 为重点的 统计方法 ,比如 Graphical model, Information theoretical models 等。它们侧重虽有不同,但是常常是共同使用的, 对于 代数方法 ,往往需要 统计上的解释 ,对于 统计模型 ,其 具体计算则需要代数的帮助 。以代数和统计为出发点,继续往深处走,我们会发现需要更多的数学。

2、 Calculus ( 微积分 ) ,只是数学分析体系的基础。 其基础性作用不言而喻。Learning研究的大部分问题是在连续的度量空间进行的,无论代数还是统计,在研究优化问题的时候,对一个 映射的微分或者梯度的分析 总是不可避免。而在统计学中, Marginalization 和积分 更是密不可分——不过,以解析形式把积分导出来的情况则不多见。

3、 Partial Differential Equation (偏微分方程 ) , 这主要用于 描述动态过程 ,或者 仿动态过程 。这个学科在Vision中用得比Learning多,主要用于 描述连续场的运动或者扩散过程 。比如 Level set, Optical flow 都是这方面的典型例子。

4、 Functional Analysis ( 泛函分析 ) , 通俗地,可以理解为 微积分 从 有限维 空间到 无限维 空间的 拓展 ——当然了,它实际上远不止于此。在这个地方,函数以及其所作用的对象之间存在的对偶关系扮演了非常重要的角色。Learning发展至今,也在向无限维延伸——从研究 有限维向量 的问题到 以无限维的函数 为 研究对象 。Kernel Learning 和 Gaussian Process 是其中典型的例子——其中的核心概念都是Kernel。很多做Learning的人把Kernel简单理解为Kernel trick的运用,这就把kernel的意义严重弱化了。在 泛函 里面, Kernel (Inner Product) 是 建立整个博大的代数体系的根本 ,从 metric, transform 到 spectrum 都根源于此。

5、 Measure Theory ( 测度理论 ) , 这是和实分析关系非常密切的学科。但是测度理论并不限于此。从某种意义上说,Real Analysis可以从 Lebesgue Measure (勒贝格测度) 推演,不过其实还有很多别的测度体系—— 概率 本身就是一种 测度 。测度理论对于Learning的意义是根本的, 现代统计学 整个就是建立在 测度理论的基础之上 ——虽然初级的概率论教科书一般不这样引入。在看一些统计方面的文章的时候,你可能会发现,它们会把统计的公式改用测度来表达,这样做有两个好处:所有的推导和结论不用分别给连续分布和离散分布各自写一遍了,这两种东西都可以用同一的测度形式表达: 连续分布的积分 基于 Lebesgue 测度 , 离散分布的求和 基于 计数测度 ,而且还能推广到那种既不连续又不离散的分布中去(这种东西不是数学家的游戏,而是已经在实用的东西,在Dirchlet Process或者Pitman-Yor Process里面会经常看到)。而且,即使是连续积分,如果不是在欧氏空间进行,而是在更一般的拓扑空间(比如微分流形或者变换群),那么传统的黎曼积分(就是大学一年级在微积分课学的那种)就不work了,你可能需要它们的一些推广,比如 Haar Measure 或者 Lebesgue-Stieltjes 积分。

6、 Topology (拓扑学 ) , 这是学术中很基础的学科。它一般不直接提供方法,但是它的很多概念和定理是其它数学分支的基石。看很多别的数学的时候,你会经常接触这样一些概念: Open set / Closed set , set basis , Hausdauf, continuous function , metric space, Cauchy sequence, neighborhood, compactness, connectivity 。很多这些也许在大学一年级就学习过一些,当时是基于极限的概念获得的。如果,看过拓扑学之后,对这些概念的认识会有根本性的拓展。比如,连续函数,当时是由epison法定义的,就是无论取多小的正数epsilon,都存在xxx,使得xxx。这是需要一种metric去度量距离的,在general topology里面,对于连续函数的定义连坐标和距离都不需要——如果 一个映射使得开集的原像是开集 ,它就是 连续 的——至于开集是基于集合论定义的,不是通常的 开区间 的意思。这只是最简单的例子。当然,我们研究learning也许不需要深究这些数学概念背后的公理体系,但是,打破原来定义的概念的局限在很多问题上是必须的——尤其是当你研究的东西它不是在欧氏空间里面的时候—— 正交矩阵,变换群,流形,概率分布的空间 ,都属于此。

7、 Differential Manifold ( 微分流形 ) , 通俗地说它研究的是平滑的曲面。一个直接的印象是它是不是可以用来fitting一个surface什么的——当然这算是一种应用,但是这是非常初步的。 本质上说 , 微分流形研究的是 平滑的拓扑结构 。一个 空间构成微分流形 的基本要素是局部平滑:从 拓扑学 来理解,就是它的任意局部都同胚于欧氏空间,从 解析 的角度来看,就是相容的局部坐标系统。当然,在全局上,它不要求和欧氏空间同胚。它除了可以用于刻画集合上的平滑曲面外,更重要的意义在于,它可以用于研究很多重要的集合。一个n-维线性空间的全部k-维子空间(k


8、 Lie Group Theory ( 李群论 ) , 一般意义的群论在Learning中被运用的不是很多,群论在Learning中用得较多的是它的一个重要方向 Lie group 。定义在平滑流形上的群,并且其群运算是平滑的话,那么这就叫李群。因为Learning和编码不同,更多关注的是连续空间,因为Lie group在各种群中对于Learning特别重要。各种子空间,线性变换,非奇异矩阵都基于通常意义的矩阵乘法构成李群。在李群中的映射,变换,度量,划分等等都对于Learning中代数方法的研究有重要指导意义。

9、 Graph Theory (图论 ) , 图,由于它在表述各种关系的强大能力以及优雅的理论,高效的算法,越来越受到Learning领域的欢迎。经典图论,在Learning中的一个最重要应用就是graphical models了,它被成功运用于分析统计网络的结构和规划统计推断的流程。Graphical model所取得的成功,图论可谓功不可没。在Vision里面,maxflow (graphcut)算法在图像分割,Stereo还有各种能量优化中也广受应用。另外一个重要的图论分支就是Algebraic graph theory (代数图论),主要运用于图的谱分析,著名的应用包括Normalized Cut和Spectral Clustering。近年来在semi-supervised learning中受到特别关注。

因本人阅历有限,接触到的专业知识有限,挂一漏万,难免贻笑大方,权当抛砖引玉,方家见谅。

========之前答案的分割线========

「对编程来说数学是它的灵魂」哪里扯淡了?对编程来说数学当然是它的灵魂,对简单的谁写代码不用数据结构?数据结构不是数学的内容吗?

数学对于计算机专业很重要,你之所以会有「在编程中有用到数学了吗?」这样的疑问,是因为在最开始编程的时候编程中几乎所有关于数学的部分都对你屏蔽起来了,你只要会用就能完成一些工作。

每天你打开电脑,电脑上的哪一个程序和数学没有关系?

开机打开操作系统,进程管理、内存管理怎么样才是最优的,需要数学来计算吧。

上上网,打开XX搜索,XX搜索怎么从浩如烟海的网络中找到你要的内容?需要数学来计算吧(图论、概率,线代…)。

上网在线看视频,为了让你尽量流畅的看视频得编码吧,需要数学来计算吧(行程长度编码、离散余弦变换、线代…)。

不上网了,打盘Dota,电脑怎么把3D模型显示出来,坐标系之间的转换、光线的模拟、材质的模拟需要数学来计算吧(空间几何、线代…)。

小兵的人工智能,你点一下鼠标,英雄怎么从A地走到B地,寻路算法是数学吧(离散数学、线代…)。

网上见到的眼花缭乱的照片的滤镜、phootshop的滤镜,需要数学来计算吧(卷积、线代...)。

搜狗输入法为什么这么好用?当然是数学的功劳(概率论...)。

动手写两行代码,编译器把你的程序代码翻译成机器码,编译原理是数学吧。

等等、等等数不胜数,你写程序没有什么时候是离开数学的。

有人会说:「这些东西都有人实现了,你只要会用就好了」之类的。是的,如果你仅仅只是随便写两行Toy Program或者像一个生产线上的组装工人一样不断地把别人的类库加上简单的逻辑组装起来。你当然不需要太多的「数学」。

但问题是如果你有那么一点点上进心想要写一些有一点点价值的东西、解决一点点尚未解决的问题的时,你会发现大多数情况根本没有现成的东西供你使用。这个时候你只有两个选择:要么默默的蹲在一遍祈祷世界的某个角落里某个人闲的蛋疼帮你写一个库,并且免费的送给你;要么就像个男人一样自己动手实现。在自己实现时,你会发现你能依靠的只有数学。第一个在电脑上显示出3D图形的人如果没有相当的数学功底,连矩阵是什么都不知道,可以么?

别的不说,举一个我自己的例子。最近要做一个瘦脸的手机应用,有现成的第三方库吗?谁闲的蛋疼去写这个?人脸识别、面部变形的论文倒是不少,全都和线代、概率等等数学有关,没有数学知识能看得懂吗?况且,作为一个手机应用来讲在普通用户看来,瘦脸不过是个非常小的应用,或者是某个应用中非常小的功能而已。

数学是编程的灵魂,不是说一点数学知识都不会就不能写出一行代码。就像我们说一个人的灵魂一样,并不是说人没有灵魂就活不下去这种虚无缥缈的论断。谈论编程的灵魂就像谈论一个人的灵魂一样指的是一些除了活下去以外,更加重要的东西。

所以我觉得「数学」对于计算机专业是重要的。