math计算机科学
我已经阅读了几个关于这个主题的答案，但是我仍然有疑问。有很多math课程，我不知道哪一个要先拿。 每个计算机科学家应该选哪个math课程？ 哪一类应该是第一个，为什么？
非常好，重要的问题！ 对每一位计算机科学家来说，理解math是至关重要的，math的要求也开始变得更加多样化。
- 离散math是计算机科学最重要和最基础的课程，因此它通常在CS部门而不是math部门提供。 这个类将支持你的algorithm介绍，课程和教你如何mathcertificate的东西，并给你分析数据结构和algorithm的基础。
- 微积分虽然没有直接用于入门级计算机科学课程，但通常是由你的大学提供的一系列课程来提高你的math技能。 当你开始进入像数字编程和机器学习这样的东西时，它将certificate是非常有用的。 这也是先进的概率/统计课程的要求。
- 在离散math课程中， 概率通常会在一定程度上被覆盖，但是您可能想要在连续概率分布和统计推断上课，可能在math和统计部门。 这将使您更好地理解如何进行数值计算和模拟，对于机器学习 （计算机科学最重要的应用之一）来说，这是必不可less的。
- 线性代数是一门对机器学习和（高级）algorithm课程非常有用的类，但它在计算机视觉，计算机graphics学，机器学习和其他量子学科中的重要性是至关重要的。
也就是说，如果介绍机器学习课程，他们可能会涵盖足够的线性代数和其他东西，你可以通过一个基本的概率类获得。 然而，对于计算机科学的研究生学习，对上述math的所有领域的了解是非常重要的。
除了大学本科math课程，更高水平的math课程对计算机科学的某些理论领域（例如algorithm博弈论，与经济学相交叉），特别是超越机器学习从业者到开发新algorithm是有用的。 这些课程包括：
-
真正的分析 ，包括测量理论 ，你会发现，如果你研究概率和演算足够长的时间，他们再次收敛。 分析通常是一个有用的事情，要知道当你开始使用涉及数字的algorithm时。
-
优化包括线性优化 ， 凸优化 ， 梯度下降等等。 在很多情况下，“学习”一个机器学习模型基本上归结为优化一个目标函数，这个函数的属性如凸是否对优化的容易程度有很大的影响。
-
数值方法 ：有些人并不认为这是一个math课本身 ，但是在将algorithm和理论转化为浮点math的不完美表示中，还有许多实际问题需要解决。 例如， log-sum-exp技巧 。
-
对于那些在“数据科学”及相关领域的人来说，高级统计特别是因果推断是非常重要的。 有很多东西需要知道，主要是因为能够访问大量的数据为外行人引发这个问题 。
组合 ， 数值分析 ， 离散math ， 数理统计 ， 概率论 ， 信息论 ， 线性代数 ， lambda演算 ， math逻辑 ， 范畴论 ， 过程演算等。
既然你指定“计算机科学家”，我们将采取艰难的路线：
- algorithm分析依赖于微积分，微分方程和离散math。 （许多人认为algorithm分析是计算机科学与软件工程程序之间的主要区别）。
- 计算机graphics/科学可视化需要工程分析背景：数值方法，线性代数等。
- 计算几何
- 函数逼近
- 集合论，逻辑/一阶微积分
- 概率/统计
- 名单继续:)
