《数学之美》读后感
倚栏轩整理的《数学之美》读后感（精选8篇），供大家参考，大家一起看看吧。
《数学之美》读后感 篇1
确切的来说，《数学之美》并不是一本书，它是谷歌黑板报中的一系列文章，介绍数学在信息检索和自然语言处理中的主导作用和奇妙应用，每一篇文章都不长，但小中见大，从看似高深的高科技中用通俗易懂的案例展示了数学之美，深深的吸引了我。
这一系列文章的作者是google公司的科学家吴军。他毕业于清华大学计算机系(本科)和电子工程系(硕士)，并于1993-1996年在清华任讲师。他于1996年起在美国约翰霍普金斯大学攻读博士，并于XX年获得计算机科学博士学位。在清华和约翰霍普金斯大学期间，吴军博士致力于语音识别、自然语言处理，特别是统计语言模型的研究。他曾获得1995年的全国人机语音智能接口会议的最佳论文奖和XX年eurospeech的最佳论文奖。
吴军博士于XX年加入google公司，现任google研究院资深研究员。到google不久，他和三个同事们开创了网络搜索反作弊的研究领域，并因此获得工程奖。XX年，他和两个同事共同成立了中日韩文搜索部门。吴军博士是当前google中日韩文搜索算法的主要设计者。在google其间，他领导了许多研发项目，包括许多与中文相关的产品和自然语言处理的项目，并得到了公司首席执行官埃里克.施密特的高度评价。吴军博士在国内外发表过数十篇论文并获得和申请了近十项美国和国际专利。他于XX年起，当选为约翰霍普金斯大学计算机系董事会董事。
正是他在信息检索与自然语言处理领域中的一系列工作，使他讲述了我所看到的内容-数学之美。
看了数学之美，立即联想到了金庸小说中的武林高人，总是把一套大多数人都会的入门功夫使得威力无比，击溃众多敌者。东西放在那，它的威力如何，并键在于使用者，武术如此，数学同样如此。
于我而言，语音视别是一类高科技，作为非专业人土，深觉高奥。但看完数学之美之后，顿感惊诧，原来如此深奥东西的解决方法自己也学过，并且理工科读过大学的人都学过，那就是统计学中的条件概率p(a/b)，即b事件发生条件下a事件发生的概率。
如果s表示一连串特定顺序排列的词w1，w2，…，wn，换句话说，s可以表示某一个由一连串特定顺序排练的词而组成的一个有意义的句子。现在，机器对语言的识别从某种角度来说，就是想知道s在文本中出现的可能性，也就是数学上所说的s的概率用p(s)来表示。利用条件概率的公式，s这个序列出现的概率等于每一个词出现的概率相乘，于是p(s)可展开为：
p(s)=p(w1)p(w2|w1)p(w3|w1w2)…p(wn|w1w2…wn-1)
其中p(w1)表示第一个词w1出现的概率;p(w2|w1)是在已知第一个词的前提下，第二个词出现的概率;以次类推。不难看出，到了词wn，它的出现概率取决于它前面所有词。从计算上来看，各种可能性太多，无法实现。因此我们假定任意一个词wi的出现概率只同它前面的词wi-1有关(即马尔可夫假设)，于是问题就变得很简单了。现在，s出现的概率就变为：
p(s)=p(w1)p(w2|w1)p(w3|w2)…p(wi|wi-1)…
(当然，也可以假设一个词又前面n-1个词决定，模型稍微复杂些。)
接下来的问题就是如何估计p(wi|wi-1)。现在有了大量机读文本后，这个问题变得很简单，只要数一数这对词(wi-1,wi)在统计的`文本中出现了多少次，以及wi-1本身在同样的文本中前后相邻出现了多少次，然后用两个数一除就可以了,p(wi|wi-1)=p(wi-1,wi)/p(wi-1)。
也许很多人不相信用这么简单的数学模型能解决复杂的语音识别、机器翻译等问题。其实不光是常人，就连很多语言学家都曾质疑过这种方法的有效性，但事实证明，统计语言模型比任何已知的借助某种规则的解决方法都有效。比如在google的中英文自动翻译中，用的最重要的就是这个统计语言模型。去年美国标准局(nist)对所有的机器翻译系统进行了评测，google的系统是不仅是全世界最好的，而且高出所有基于规则的系统很多。
这就是数学的美妙之处了，它把一些复杂的问题变得如此的简单。
看到《数学之美》，在感叹数学的美妙与神奇之处时，自然而然联系到自己专业(地质工程而或岩土工程)中的数学应用。
现在找文献，搜索期刊一大堆基于数学的专业文献，灰色数学的、模糊数学的、非线性的、系统的，等等，这么多的数学的使用，促进了一大批的文章，但这些数学方法的应用究竟是发现了哪些问题?还是解决了实际问题吗?还是仅发了文章，满足了需求?现实是文章好发，用着难用，解决问题还得传统的方法，那么是这些数学方法不行，还是用的太肤浅，根本没发挥其威力来?如果没有发挥出威力来，那怎么用?怎么发挥?
《数学之美》读后感 篇2
吴军2012年的作品，源于其在谷歌黑板报的系列文章，讲述数学方法在信息技术中的应用，说明了为什么科学研究中方法论如此的重要，以及数学如何简单优雅地解决问题，直达本质。对比他的其他作品比如《浪潮之巅》、《硅谷之谜》，本书比较偏技术，属于目前大热的数据科学(Data Science)范畴，在云计算、大数据和人工智能等成为常态和趋势的今天，适合所有对IT技术及相关管理人员阅读。对我而言，最大的收获包括：
规则vs.算法：自然语言处理，在早期几十年基于文法规则都无法达到可应用的效果，终于在转变为基于统计方法且积累了足够数据后，形成了突破，达到了今日可大规模商用的效果。再次说明了数据及算法在今日的重要性。
一些常见应用涉及的优化算法：搜索相关(分词、网络爬虫、索引、结果排名、广告及反作弊）、文本处理（新闻分类、广告相关性、输入法）、地图路线规划、信息指纹、密码学等。这些算法不止适用于这些应用场景，还可以在其他许多地方借鉴，比如用户评论分析也需要用分词和语义分析，许多价值优化算法都需要用到期望值最大化和逻辑回归等。
优雅的`理论模型：在初始阶段，出于时间和成本考虑，在技术实现上可能会使用一些拼凑的方法，甚至山寨，但是这种方法并不可持续，很难进行系统化的优化，开发维护成本都很高，最终会遇到灾难性问题。做事情需要有境界，最求简单而优雅的理论和工程实现，这在长期是非常有好处的。
吴军使用浅显易懂的语言，把解决问题的思路和复杂的数学模型讲得很清楚，虽然理解延伸阅读里的具体数学公式还是有些挑战。其实重要的是思想和方法，具体的实现可以在用到时再进一步的了解。如何用简单的语言把复杂的技术讲清楚，也是我工作的需要，要不断学习磨练。书里提到了启发吴军这方面能力的两本书，即《从0到无穷大》和《时间简史》，会有要去看下。
《数学之美》读后感 篇3
我是在读了吴军博士的《浪潮之巅》之后，发现推荐了《数学之美》这本书。我到豆瓣读书上看了看评价，就果断在当当上下单买了一本研读。本来我以为这是一本充满各种数学专业术语的书，读后让我非常震撼的是吴军博士居然能用非常通俗的语言将自然语言处理等高深理论解释的相当简单。
在李开复博士之后，吴军博士又成为了目前备受瞩目的具有深厚技术背景的作家。对于我来说，读这本书有扫盲的功效，让我知道了很多以前不知道的东西。我的想法是在研究生阶段，不只局限于导师的研究方向，通过更加广泛的涉猎知识，去寻找一个自己喜欢的研究领域。如果找到了这样一个领域，那么我就读博士。如果没有的话，那么我想还是工作算了。
1、学科之间的联系是如此的重要。
全书主要是围绕着吴军博士所研究的自然语言处理方向来讲述一些应用在这个研究领域的数学知识，用了很大篇幅讲解了将通信的原理应用到自然语言处理上所取得的巨大成功。以前学习计算机网络的时候，学过一个香农定理。对香农的认识就从香农定理开始，因为考研会考相关的计算题。看了这本书才知道，香农的《信息论》对今天的影响真的是不可估量。通过这样一个过程，我也对以前的本科学校的学科建设产生了一些忧虑。
对于培养计算机人才来说，无论是培养应用型人才，还是培养研究型人才，都应该与电子、通信有一定的交叉，这样对学生思考问题的启发与视野的开阔有着重要的作用。计算机本身就是从电子、通信、数学等学科中抽出来的新兴的学科，在发展了多年之后，我们发现它仍然需要继承一些传统。回想自己的本科四年，上的更多的课时语言类、技术类的课程，这些课程的确对提升学生的就业有很大帮助。但是我想说的是，一个忽视数学基础、学科交叉的学校，他无法成为一所国内的一流大学。作为一个母校培养的学生，我深知改革的阻力与困难，但是我希望母校的计算机学院能越办越好。我们现在已经培养出很多高薪优秀的技术人才，我希望将来也能培养出更多的研究型人才。
2、看起来很牛的东西却用着难以置信的简单数学原理。
在整本书中让我最为印象深刻的是解释Google搜索的原理，居然就是简单的布尔代数运算。这个的确让我大跌眼镜，我一直认为搜索时一个非常复杂而庞大的问题，其数学原理也是相当高深的，但是吴军博士的解释让我大开眼界。与此同时也知道了Google为什么牛，牛在哪了。搜索的原理虽然非常简单，但是搜索是一个需要对海量数据进行操作的工作。Google在海量数据的处理方面的确是相当先进的，MapReduce、BigTable等等一些技术的发明与应用使得Google在搜索上无出其右。目前分布式存储、分布式计算、数据仓库与存储等研究领域近些年来的大热也说明Google在引领研究方向上的超凡本领。
3、感谢概率老师的教诲。
在大二的时候，有一个在我们学生中声望很高的概率老师，他在课程即将结束的时候跟我们说我们将的是前几章，这些事概率论与数理统计的基础。对于你们计算机的学生来时，后面的章节才是最有用的，以后一定要好好的研究，弄上一两个在你的毕业设计上就会让你毕业设计提升一个档次，有可能验收你毕业设计的老师也不懂。我当时对他的话没有特别在意，我只关心期末考试要考哪些题目，因为我那个学期的概率课基本上都在睡觉，只有他讲笑话的时候不睡。
我看《数学之美》后发现马尔科夫链、贝叶斯网络之后，对以前的概率老师充满无限的敬意。我发现我们再本科阶段学习的《高等数学》、《线性代数》、《概率论与数理统计》在计算机学科应用较多的要数概率论与数理统计，还有一门我学的不好的《离散数学》在计算机中也是有着举足轻重的地位。
我在看米歇尔的《机器学习》时也发现很多熟悉的概率论与数理统计的知识，这让我不得不开始考虑重新弥补自己的数学短板。我的想法是在研一这一年把概率论与数理统计、线性代数、离散数学尽我最大的努力补一补，希望他们对我今后的学习有所帮助。
4、说说作者吴军博士。
吴军博士写的书对于学习计算机的学生来说，读起来有种说不出的亲切感。可能这跟他是技术出身的原因有关，流畅的文笔、质朴的文风也让人读起来很舒服。看高晓松在优酷上的《晓说》就知道，在硅谷有着众多的华裔工程师，他们很多都来自清华、北大等国内的名牌大学，这些人在美国实现着自己的梦想。吴军博士也曾是这其中的一员，我非常希望那些像吴军博士一样的牛人们能够写书或者来国内的大学做一些演讲、论坛等等，开阔一下我们的视野，传授一下做学问的经验。
与此同时，我也在想为什么我们国家那么多优秀的IT人才都去了美国。这个问题在我去苹果公司在东软信息学院组织的培训过程中得到了答案，那个南京邮电的老师讲了讲中国为什么不像美国那么有创造力。我们中国人并不缺乏创造力，很多时候是我们所处的外部环境恰恰阻碍了创新。我想那么多优秀的清华北大学子纷纷到大洋彼岸的美国，正是被美国开放的学术环境、创新氛围所吸引，每个人都有自己的梦想，他们去美国也是为了能实现自己的梦想。以前都觉得他们是不爱国，现在长大了，对于这个问题看得更清楚了一点。
我想说我们的祖国在经历了改革开放30多年的飞速发展之后，目前正处于一个关键和脆弱的时期。我们靠着人口红利取得了巨大的成就，我们能不能凭借人才红利取得更大的成就还是未知。希望有更多的人才能像李开复博士、吴军博士那样，为我们这个民族青年的成长和国家发展做出贡献。
《数学之美》读后感 篇4
我在想，为什么我们要学习数学？也许这个问题成年人有一万个答案，可是当我们第一次走进教室，学习数学的时候，大概率还是个孩子，你怎么跟一个孩子解释为什么要学习数学呢？我把这个问题抛给了一个朋友，他说：“为了提高思维逻辑能力，这是我初中老师在第一节数学课上告诉我们的”。或者一位5岁的小朋友又会问：“什么是逻辑能力呢？”
也许从出生第一天，我们就一直在被动的接收一些东西，父母的劝导，老师的传授，可5岁的孩子还是会把玩具散落一地，6岁的孩子仍然会因为父母不给买玩具而嗷嗷大哭，无论你怎么劝导一个人，怎么劝诫一个人，他可能仍然会犯你认为会出现的错误。我记得有位教育专家这么说：“你告诉宝宝他把玩具弄坏了，就等于丢了10个棒棒糖”，从此以后这个宝宝可能会更加珍惜玩具。这个方法很简单，但是貌似最有效。数学是什么？数学不就是把复杂的东西简单化么？
现在我们再回答前面的问题：为什么我要学习数学？我们可以这么跟5岁的小朋友说：“妈妈给你10元钱，让你买酱油，酱油7元、棒棒糖1元一个，剩下的钱你可以买几个棒棒糖？”或许想吃棒棒糖的就会苦思冥想一番，或许未来妈妈真的给他10元钱去买酱油，结果回来就变成了一瓶酱油和3个棒棒糖。或者再过一段时间，这位小朋友会选择6元的酱油，因为可以获得4个棒棒糖了。他这么计算着：7+3和6+4都可以等于10，那么如果要必须买酱油的情况下，1+9也可以等于10。我们都知道也有1元的袋装酱油，于是9个棒棒糖到手了。任何知识的魅力都在于自我的发现，只有你对它产生了无限的兴趣，你就会不断的发现它的美，《数学之美》也可以变成《物理之美》。
有些人会说，上面的例子是利益驱动型，不是兴趣驱动型，对于一个孩子来说，你能指望他向成人那样：“我需要的不是物质世界，我需要的是精神世界？”。5岁宝宝最喜欢做得事情就是在吃和玩上面，请问，成年人不也是如此么？这就是天性。只不过成年人的.自控能力足够大罢了。
我们回到书本上，这本书是否合适自己？如果没有专业的数学知识，很难读懂。但是它又有着无限的魅力，让你不自觉的读下去，为什么？因为“数学之美”，虽然大多数人看不懂里面的公式，但是能够明白数学能解决的问题：概率统计学能够解决自然语言处理、布尔代数能解决搜索引擎的问题、有限状态机和动态规划能解决地图问题、向量+特征向量+余弦定理能解决自动新闻分类问题、最大熵模型解决金融问题，看着看着我就莫名的产生了一种想要学习算法的冲动，这不就是本书的意义所在么？
最后，我推荐几个章节希望有兴趣的读者可以关注下：
1. 信息指纹，可以让复杂的数据用简单的一串数字存储
2. 13章，提到的简单之美。当然之后多次提到
3. 余弦定理（通过向量+特征向量+余弦定理）可以判断两条数据的相似性
4. 17章，简单密码学（对密码感兴趣的可以看看）
5. 布隆过滤器，用很少的空间存储大量的数据，从而解决黑名单的问题（黑名单数据量庞大的时候，会增加判断某一个名单是否出现过的难度）。
6. 29章，分治算法，虽然没有很明白算法，但是原理其实很简单：把复杂的东西拆分成若干小的部分，然后进行逐个解决或者说各个击破
7. 30章，神经网络，其实没那么神秘，神经就好比一个网络（马尔科夫模型+贝叶斯网络）中的各个节点而已。
8. 31章，大数据，这章是最推荐看的，而且没有很多专业的知识，一看就懂。不是什么都可以称之为大数据的，大数据需要满足几个条件：数据的代表性、数据的多维度、数据的完备性。现在有很多公司都自称自己有大数据，请不要侮辱大数据这个词。顺便说一下像百度这样的公司，近几年都在大数据上深耕，据我了解，比如医疗上面的项目，宁可免费做，只要求能够得到医疗方面的大数据，可见其对大数据的重视程度。
《数学之美》读后感 篇5
我在想，为什么我们要学习数学？也许这个问题成年人有一万个答案，可是当我们第一次走进教室，学习数学的时候，大概率还是个孩子，你怎么跟一个孩子解释为什么要学习数学呢？我把这个问题抛给了一个朋友，他说：“为了提高思维逻辑能力，这是我初中老师在第一节数学课上告诉我们的”。或者一位5岁的小朋友又会问：“什么是逻辑能力呢？”
也许从出生第一天，我们就一直在被动的接收一些东西，父母的劝导，老师的传授，可5岁的孩子还是会把玩具散落一地，6岁的孩子仍然会因为父母不给买玩具而嗷嗷大哭，无论你怎么劝导一个人，怎么劝诫一个人，他可能仍然会犯你认为会出现的错误。我记得有位教育专家这么说：“你告诉宝宝他把玩具弄坏了，就等于丢了10个棒棒糖”，从此以后这个宝宝可能会更加珍惜玩具。这个方法很简单，但是貌似最有效。数学是什么？数学不就是把复杂的东西简单化么？
现在我们再回答前面的问题：为什么我要学习数学？我们可以这么跟5岁的小朋友说：“妈妈给你10元钱，让你买酱油，酱油7元、棒棒糖1元一个，剩下的钱你可以买几个棒棒糖？”或许想吃棒棒糖的就会苦思冥想一番，或许未来妈妈真的给他10元钱去买酱油，结果回来就变成了一瓶酱油和3个棒棒糖。或者再过一段时间，这位小朋友会选择6元的酱油，因为可以获得4个棒棒糖了。他这么计算着：7+3和6+4都可以等于10，那么如果要必须买酱油的情况下，1+9也可以等于10。我们都知道也有1元的袋装酱油，于是9个棒棒糖到手了。任何知识的魅力都在于自我的发现，只有你对它产生了无限的兴趣，你就会不断的发现它的美，《数学之美》也可以变成《物理之美》。
有些人会说，上面的例子是利益驱动型，不是兴趣驱动型，对于一个孩子来说，你能指望他向成人那样：“我需要的不是物质世界，我需要的是精神世界？”。5岁宝宝最喜欢做得事情就是在吃和玩上面，请问，成年人不也是如此么？这就是天性。只不过成年人的自控能力足够大罢了。
我们回到书本上，这本书是否合适自己？如果没有专业的数学知识，很难读懂。但是它又有着无限的`魅力，让你不自觉的读下去，为什么？因为“数学之美”，虽然大多数人看不懂里面的公式，但是能够明白数学能解决的问题：概率统计学能够解决自然语言处理、布尔代数能解决搜索引擎的问题、有限状态机和动态规划能解决地图问题、向量+特征向量+余弦定理能解决自动新闻分类问题、最大熵模型解决金融问题，看着看着我就莫名的产生了一种想要学习算法的冲动，这不就是本书的意义所在么？
最后，我推荐几个章节希望有兴趣的读者可以关注下：
1. 信息指纹，可以让复杂的数据用简单的一串数字存储
2. 13章，提到的简单之美。当然之后多次提到
3. 余弦定理（通过向量+特征向量+余弦定理）可以判断两条数据的相似性
4. 17章，简单密码学（对密码感兴趣的可以看看）
5. 布隆过滤器，用很少的空间存储大量的数据，从而解决黑名单的问题（黑名单数据量庞大的时候，会增加判断某一个名单是否出现过的难度）。
6. 29章，分治算法，虽然没有很明白算法，但是原理其实很简单：把复杂的东西拆分成若干小的部分，然后进行逐个解决或者说各个击破
7. 30章，神经网络，其实没那么神秘，神经就好比一个网络（马尔科夫模型+贝叶斯网络）中的各个节点而已。
8. 31章，大数据，这章是最推荐看的，而且没有很多专业的知识，一看就懂。不是什么都可以称之为大数据的，大数据需要满足几个条件：数据的代表性、数据的多维度、数据的完备性。现在有很多公司都自称自己有大数据，请不要侮辱大数据这个词。顺便说一下像百度这样的公司，近几年都在大数据上深耕，据我了解，比如医疗上面的项目，宁可免费做，只要求能够得到医疗方面的大数据，可见其对大数据的重视程度。
《数学之美》读后感 篇6
在网上看到有人推荐吴军博士的《数学之美》，尽管我从事社会科学研究，但对数学的推崇一直如此，所以买来一读，我的真切体验正如吴军博士在书的后记中所说，把自己“境界提升了一个层次”。
那么，对我而言，到底提升了什么境界呢？
首要的肯定是思想境界。在未读这本书之前，我知道对于这个世界的事件形成的信息集合，人类只有两种方式可以表达，一个是数字，一个是语言。整个实数的集合是无穷个，而且每个数字都是唯一的；整个世界中的事件也是无穷个的，而且每个事件也时独一无二的，这样数学中的数字集合与世界中的事件集合就构成一个一一对应的关系，所以研究数字之间的关系，实际上就是在研究世界中事件之间的关系。语言中的概念和世界中的事件之间也是可以构成一个对应关系的，但问题是，语言中概念的集合是有限的，所以它和数字集合的对应显然只能是部分对应。
计算机科学的发展，人类需要把语言处理成数字，因为计算机只能识别数字信号，所以“语言的数字化”成为计算机产生以来发展最快、而且最有创新性的领域，而许多华人科学家成为了这个领域的顶尖专家，如李开复，吴军博士是卓越的科学家之一。至此我才感到，在计算机主导的世界中，信息化就是数字化，而最难的数字化、也是最有成就的数字化，就是对人类自然语言的数字化，因为人类的信息几乎100%是用语言承载、传播的，计算机要与人对话，变成智能化的机器，首先要解决的就是语言的数字化问题。但我们在电脑上自如地输入文字时、或者拿着手机通话时，我们跟本没有意识到，那些卓越的语言科学家，早已经把我们的语言，转化成数字信号，通过输入、处理、解码的方式，让我们无障碍地联络、工作。
我似乎感到，语言与数字的关系，就是人与自然关系的接口。套用古希腊毕达哥拉斯学派的观点，加上我的理解，即是，数是万物的本原，语言是人的本原！
吴军博士似乎也在提升我对方法的认识境界。科学研究的思考方式，习惯遵循本质、规律、连续性思维，在语言学研究的早期，人类为了让计算机识别语言，采用建立语言规则和语言规则数据库的办法，但最终以失败告终（20世纪50-70年代），70年代后科学家采用了语言统计模型，研究取得了突飞猛进。语言统计模型的胜利，再一次证明了宇宙量子模型的信念，世界是不连续的随机性的粒子构成，人类数千年文明进化出来的语言系统，就是动态的随机概率事件。其二，物理思维再也难逃牛顿的经典本质思维方法，即找寻到百分之百确定性的规律，而信息论思维是研究如何把握不确定性现象，利用概率统计是不二法门。其三，语言本质上就是信息传播，只有从通信模型视角才能真正理解计算机的功能，对语言的编码、处理、传输、解码是计算机的强项，计算机是永远不可能理解语言的意思的。
在《数学之美》中，吴军博士对他的.老师、师兄弟、同事的经历、掌故进行了叙述，让我们了解到这些世界一流的学科家、技术精英们的为人处世品质、鲜明个性、科学素养及其管理风格。例如贾里尼克对博士生的严酷淘汰，马库斯对学生的宽宏大度，但我感到他们有一样东西是共同的，就是对科学创造、顶尖人才的识别和器重，甚至是无条件的包容。如此为人的境界才是根本，因为伟大的科学创造毕竟是人做出来的，只有崇高的人文精神之下才能造就顶尖的人才、一流的科学和技术。
观国内的学说界，官风盛行、腐败当道、人情充斥，与这些一流学说群对科学创造的赏识、对个性人才的包容，对科学探索的热诚，可谓相去甚远。
看来，我们只能寄希望于年轻一代，但愿吴博士的《数学之美》，能让我们的学子们，初步体验到科学精英们卓越的才智与情怀。
《数学之美》读后感 篇7
前一阵子因兴趣研究CMUSphinx这套库的应用不得要领，就去查看了下一些语音识别的基本原理的文章，偶然碰到了数学之美。其实浪潮之巅也是因此开始看的、结果先一步看完了，毕竟一本历史书，一本介绍数学和语言处理的，难度不同
说实话，因为初中高中荒废了太多时间，我的英文和数学基础比较差，我大学的数学都是勉强修过的。一直以来数学对我是一个很恐怖的学科，也不知道为什么计算机专业对数学要求比较高。我个人就是数学分数很低，但是专业课学的还不错，唯一好点的数学科目就是离散数学吧，另外的工科数学分析和高等代数都是惨不忍睹的
看完这本书后，我发现我还真是低估了数学的作用，一个复杂的语言识别过程，用统计语言模型竟然用那么简单的数学模型就解决了，这对我的冲击很大。另一个对我影响比较大的就是余弦定理和新闻的分类。以前那些各种三角函数的变换、三角函数，各种向量，各种空间图形在我印象中就只能用于画设计图，或者搞空间物理化学等基础学科的应用上，想着“这种东西和计算机编程有什么关系？要计算角度，库里不都提供了吗？”，哪成想到改变一下思路，改变一下方法，就简单的把那么复杂的分裂问题给解决了。现在想想我当初想法还真是幼稚啊，可惜覆水难收，过去的时间已经回不来了，但至少我现在明白了数学的重要性，总能想办法弥补的。
不得不说国内的教科书还真是太死板了。很多书上，先不说没讲应用领域和这个能干吗，有些教科书连推导过程也没说明白。像我大学时候的那几本高代高数的教科书，在某一步关键的过程写一句“显而易见”，然后就莫名其妙的出现了结果，这让我们基础差的人情何以堪啊，更何况我问了那些数学好的，他们想推导出那一步也要想好久。后来换了一下同济大学版，发现同样的定理，同样的范围，就是理解起来容易了不少。果然好书和差一点的书差别真不少。所以我就在网上整理了一些好的数学书籍，等会儿x就贴到文后，以后慢慢补。
"技术分为术和道两种，具体的做事方法是术，做事的原理和原则是道。这本书的目的是讲道而不是讲术。很多具体的搜索技术很快会从独门绝技到普及，再到落伍，追求术的人一辈子工作很辛苦。只有掌握了搜索的本质和精髓才能永远游刃有余。” ，然后吴军先生用搜索反作弊的例子漂亮的解释了这两种差别。我以前做过的.项目里，如果出现没想过的情况，就加一个异常处理处理特殊情况，本来很简单的东西，愣是被我搞复杂了。现在想回来，那时候境界太低，连开始的本质和原理都没弄清楚，就埋头搞下去了，以后要多注意点。
我一向喜欢实用性强的方法和工具，在这书里我特别喜欢阿米特·辛格博士的那一章。吴军博士就用寥寥几页的描述中讲解了辛格博士的处理事情的方法和原则，先帮用户解决主要的问题，再决定要不要纠结在次要的部分上；要知道修改代码的所作所为，知其所以然；能用简单方法解决就用简单的，可读性很重要。
不过中间有两个部分没搞明白，最大熵模型和贝叶斯网络，没搞懂为什么能解决那些问题。贝叶斯网络还能稍微理解，少了马尔科夫链的线性约束，更自由；但最大熵模型真搞不懂为什么那么好用，以后继续研究。
总之这是一本很好的书，推荐大家读一下。
《数学之美》读后感 篇8
数学用在模型上而不是现实世界中，需要抽象思考出模型，即数学对象是其所做。数系扩充中，复数i并没有比无理数根号2更特殊的地方，因为它们作为抽象的数学构造，如果充分自然，则必能作为模型找到它们的用途。实际上正是如此。
数学中有个根本性的重要事实：数学论证中的每一步都可以不断地分解成更小更清晰有据的子步骤，但是这样的过程最终会终止。原则上，最终会得到一条非常长的论证，它以普遍接受的公理开始，仅通过最基本的逻辑原则一步步推进，最终得到想要求证的.结论。所以，任何关于数学证明有效性的争论总是能够解决的。争论在原则上必然能够解决这一事实使数学作为一个学科是独一无二的。在这里，公理系统的主要问题不是真实性，而是自洽性和有用性，即数学证明就是由特定前提能够得出特定结论，而不考虑该前提是否正确。
我不清楚这一“根本性的重要事实”在现实中的使用范围有多大，但由此可以聊一点别的问题。现实中，如果甲对事情有A观点(或说价值观)，乙有B观点，并为此争执。有下面几种情况：
1、在上述的范围之外，即没有定论。
2、有定论，但是双方都没有给出足够的证据证明和反驳。
3、有定论，一方给出了足够的证据(或者反驳理由)，因为表达能力导致表述不清晰而没有说服对方。
4、有定论，一方给出了足够的证据(或者反驳理由)，因为对方理解不够或理解偏差导致没有被说服。第234条与这几项有关：知识量，表达能力，理解能力，对外界的认知和自我认知。其中语言本身的局限性会一定程度上影响表达和理解，认知能力是一项综合的要求很高的能力。“评论”这件事就是个很合适的例子。如果说创造更需要的是才气，那么评论更需要的就是能力。但是，无论双方是否知道有无定论，很多情况下需要陈述不少或很多证据或反驳理由，由第234条可知人与人交流的效率很低，并且可能伴随一些冲突。若考虑到一些人的利益因素等，交流会更复杂。