怎么样才能学好数学？

已于 2023-02-20 21:01:23 修改
阅读量247 收藏
点赞数
分类专栏： 人工智能怎么学 文章标签： 人工智能 大数据 学习方法 Powered by 金山文档
于 2023-02-04 11:51:16 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/audyxiao001/article/details/128823712
版权

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

  1. 张文俊. 数学欣赏[M]. 北京: 科学出版社, 2011.

  1. 李文林. 数学史概论 第4版[M]. 北京: 高等教育出版社, 2021.

  1. 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.

  1. 徐品方. 数学王子——高斯[M]. 哈尔滨: 哈尔滨工业大学出版社, 2018.

  1. 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.

  1. 李忠，周建莹. 高等数学（第2版）[M]. 北京: 北京大学出版社, 2009.

  1. Joel Hass et al.Thomas’ Calculus: Early Transcendentals (Fourteenth Edition)[M]. Pearson, 2018.

  1. Ron Larson, and Bruce Edwards. Calculus (Eleventh Edition) [M].Cengage Learning, 2018.

  1. 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.

  1. 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.

  1. Walter Rudin. Principles of Mathematical Analysis (ThirdEdition) [M]. McGraw-Hill Education, 1976.

  1. Vladimir A. Zoric. Mathematical Analysis (Second Edition) [M].Springer, 2016.

  1. Elias M. Stein, and RamiShakarchi. Real Analysis: Measure Theory, Integration, and Hilbert Spaces [M]. Princeton University Press,2004.

  1. Elias M. Stein, and Rami Shakarchi. Complex Analysis [M]. Princeton University Press,2005.

  1. Elias M. Stein, and Rami Shakarchi. Fourier Analysis: AnIntroduction [M]. PrincetonUniversity Press,2003.

  1. Elias M. Stein, and Rami Shakarchi. Functional Analysis:Introduction to Further Topics in Analysis[M]. Princeton University Press, 2011.

  1. 丘维声. 简明线性代数[M]. 北京: 北京大学出版社, 2002.

  1. 居于马. 线性代数（第2版）[M]. 北京: 清华大学出版社, 2002.

  1. 李尚志. 线性代数[M]. 北京: 高等教育出版社, 2002.

  1. 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.

  1. 龚昇. 线性代数（第2版）[M]. 合肥: 中国科学技术大学出版社, 2005.

  1. 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.

  1. Kuldeep Singh. Linear Algebra: Step by Step [M]. OxfordUniversity Press,2014.

  1. Gilbert Strang. Introduction to Linear Algebra (Fifth Edition)[M]. Wellesley-Cambridge Press, 2016.

  1. David C. Lay et al. Linear Algebra and Its Application (FifthEdition) [M]. Pearson,, 2016.

  1. Sheldon Axler. Linear Algebra Done Right (Third Edition) [M].Springer, 2015.

  1. Gerald Farin, and Dianne Hansford. Practical Linear Algebra:A Geometry Toobox (Third Edition) [M]. CRC Press, 2013.

  1. Gilbert Strang. Linear Algebra and Learning from Data [M].Wellesley-Cambridge Press, 2019.

  1. 徐仲. 矩阵论简明教程（第3版）[M]. 北京: 科学出版社, 2014.

  1. 张贤达. 矩阵分析与应用（第2版）[M]. 北京: 清华大学出版社, 2013.

  1. Gene H. Golub, and Charles F. Van Loan. Matrix Computation (FourthEdition) [M]. The Johns Hopkins University Press, 2013.

  1. Roger A. Horn, and Charles R. Johnson. Matrix Analysis (SecondEdition) [M]. Cambridge University Press, 2013.

  1. 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.

  1. 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.

  1. Jay L. Devore. Probability and Statistics for Engineering andthe Sciences (Ninth Edition) [M]. Cengage Learning, 2016.

  1. Morris H. DeGroot, and Mark J. Schervish . Probabilityand Statistics (Forth Edition) [M]. Pearson, 2012.

  1. 高惠璇. 应用多元统计分析[M]. 北京大学出版社, 2004.

  1. 王静龙. 多元统计分析[M]. 科学出版社, 2008.

  1. T. W. Anderson. An Introduction to Multivariate StatisticalAnalysis (Third Edition) [M]. John Wiley & Sons, 2003.

  1. Richard A. Johnson, and Dean W. Wichern . Applied Multivariate Statistical Analysis (SixthEdition) [M]. Pearson, 2007.

  1. 程士宏. 测度论与概率论基础[M]. 北京: 北京大学出版社, 2004.

  1. 严加安. 测度论讲义（第2版）[M]. 北京: 科学出版社, 2004.

  1. Krishna B. Athreya, and Soumendra N. Lahiri. Measure Theoryand Probability Theory (Third Edition) [M]. Springer, 2006.

  1. Paul R. Halmos. Measure Theory [M]. Springer Science+Business Media, 1974.

  1. 胡迪鹤. 高等概率论及其应用[M]. 北京: 高等教育出版社, 2008.

  1. 郑忠国. 高等统计学[M]. 北京: 北京大学出版社, 2012.

  1. Craig A. Mertler, and Rachel Vannatta Reinhart. Advanced andMultivariate Statistical Methods: Practical Application and Interpretation (SixthEdition) [M]. Routledge, 2017.

  1. Eugene Demidenko. Advanced Statistics with Applications in R [M].John Wiley & Sons, 2020.

  1. 何书元. 随机过程[M]. 北京: 北京大学出版社, 2008.

  1. 张波, 张景肖. 应用随机过程[M]. 北京: 清华大学出版社, 2004.

  1. Sheldon M. Ross. Introduction to Probability Models (TwelfthEdition) [M]. Academic Press, 2019.

  1. Robert G. Gallager. Stochastic Processes: Theory forApplications [M]. John Wiley & Sons, 2013.

  1. David Forsyth. Probability and Statistics for ComputerScience (Twelfth Edition) [M]. Springer, 2018.

  1. Luc Devroye et al. A Probabilistic Theory of PatternRecognition [M]. Springer, 1997.

  1. 《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.

  1. 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.

  1. Frederick S. Hillier, and Gerald J. Lieberman. Introductionto Operation Research (Tenth Edition) [M]. McGraw-Hill Education, 2015.

  1. Hamdy A. Taha. Operation Research：An Introduction (TenthEdition) [M]. Pearson, 2017.

  1. 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.

  1. 高立. 数值最优化方法[M]. 北京: 北京大学出版社, 2014.

  1. Edwin K. P. Chong, and Stanislaw H. Zak. An Introduction toOptimization (Fourth Edition) [M]. John Wiley & Sons, 2013.

  1. Jorge Nocedal, and Stephen J. Wright. Numerical Optimization(Second Edition) [M]. Springer, 2006.

  1. Stephen Boyd, and Lieven Vandenberghe. Convex Optimization[M]. Cambridge University Press, 2004.

  1. Yuni Nesterov. Lectures on Convex Optimization (SecondEdition) [M]. Springer, 2018.

  1. 李航. 统计学习方法（第2版）[M]. 北京: 清华大学出版社, 2019.

  1. 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.

  1. Yuni Nesterov. The Elements of Statistical Learning: DataMining, Inference, and Prediction (Second Edition) [M]. Springer, 2009.

  1. Tom M. Mitchell. Machine Learning [M]. McGraw-Hill Education,1997.

  1. Christopher Bishop. Pattern Recognition and Machine Learning[M]. Springer, 2006.

  1. Mehryar Mohri et al. Foundation of Machine Learning (SecondEdition) [M]. The MIT Press, 2018.

  1. Kevin P. Murphy. Probabilistic Machine Learning: AnIntroduction [M]. The MIT Press, 2022.

  1. Shai Shalev-Shwartz, and Shai Ben-David. UnderstandingMachine Learning: From Theory to Algorithms [M]. Cambridge University Press,2014.

  1. Ian Goodfellow et al.Deep Learning [M]. The MIT Press, 2016.

  1. 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.

  1. 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.

  1. 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.

  1. Richard S. Sutton, and Andrew G. Barto. ReinforcementLearning: An Introduction [M]. The MIT Press, 2018.

  1. Amparo Albalate, and Wolfgang Minker. Semi-Supervised andUnsupervised Machine Learning [M]. ISTE, and John Wiley & Sons, 2011.

  1. Christoph Molnar. Interpretable Machine Learning: A Guide forMaking Black Box Models Expainable [M]. lulu.com, 2020.

  1. 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。

audyxiao001
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
高中数学怎么学好怎样才能学好高一数学
yan59966的博客
01-21 300
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的特点，谈一下高中数学怎么学好，高中数学怎么学好。 一、 高中数学与初中数学特点的变化 1、数学语言在抽象程度上突变 初、高中的数学语言有着显著的区别。初中的数学主要是以形象、通俗的语言方式进行表达。...
初谈递归：程序员为什么要学好数学？
至尊宝
07-16 2万+
强烈推荐一个大神的人工智能的教程：http://www.captainbed.net/zhanghan 简介 首先要明白递归是一种算法。程序调用自身的编程技巧成为递归（recursion)，它通常把一个大型复杂的问题层层转换为一个与原问题相似的规模较小的问题来求解，当递归条件不满足时，递归前进，当递归条件满足时，递归返回。其实递归不单单是我们看到的这些，他而可以是自己调用其他函数的递归...
如何入门参与数学建模？
热门推荐
JiandaoStudio
12-25 7万+
数学建模感想 纪念逝去的大学数学建模：两次校赛，两次国赛，两次美赛，一次电工杯。从大一下学期组队到现在，大三下学期，时间飞逝，我的大学建模生涯也告一段落。感谢建模路上帮助过我的学长和学姐们，滴水之恩当涌泉相报，写下这篇感想，希望可以给学弟学妹们一丝启发，也就完成我的想法了。拙劣的文笔，也不知道写些啥，按顺序随便写写吧。 我是怎么选择建模的： 大一上，第一次听到数学建模其实是大一上学期，not...
0基础小白，如何入门数学建模？
数学建模BOOM的博客
07-23 3万+
“单纯的看书、听课只会让人昏昏欲睡，实战中的紧张感才会让人效率倍增，因此，实战是最好的学习。” 很多同学第一次接触数学建模，感觉无从下手，那么零基础的小白该怎样入门数学建模呢？ 先说答案：0基础小白入门数学建模最好的办法，就是直接参加竞赛。 遇到不会的，去百度或CSDN里搜，去翻书，现学现用，瞎编也要把论文编出来。放低心态，告诉自己不追求拿奖，只为练习。 这样做几次就入门了。大一大二往往是炮灰，拿奖一般是大三时的事了。 看一些高赞回答，给你罗列了一堆书单、课程，送了你一堆资源。 但是相信我，
新手如何学好C语言？
程序员黄老师的精品课！
04-27 2459
作为一名资深码农，在软件行业也拼搏了十多年，这里跟想学习C语言的萌新童鞋分享下我的个人学习心得！！！ 在大学时代，我们大二才开始学习C语言（起步有点晚啊），第一次看到那本黄黄的谭浩强老师的《c语言教程》，哈哈哈，就是这本了，满满的回忆啊！ 开学拿到这本书后，心情很激动，因为以前总是羡慕那种黑客，好像很牛的样子， 抱着好奇的心理随便翻开了几页看了看，全程一脸懵逼， 因为以前从来没有接触过编程...
如何学好计算机论文500字,怎样学好数学作文500字
weixin_39540834的博客
07-07 146
第1篇：怎样学好数学作文500字其实学好数学是十分简单的，只要你细心、认真，并掌握好数学四要素，那考上110分时没问题的。首先是第一个要素：就是上课认真听讲，不分神、不走神。数学是考验思维能力与精力问题，所以，上课一旦分神，就会导致在数学老师讲题的过程中听不进去，听不进去就会变成一样类型的题不会，而上课的效率也是大损折扣。所以在课上最重要的一点，就是要保住精力，不能分神。第二个要素：家庭作业认真做...
数学不好，能学好机器学习吗？
大数据
02-06 1302
导读：如何像鸟飞过机器学习的山？作者：木羊同学来源：大数据DT（ID：hzdashuju）01 “机器学习好学吗？”这是我最常听到的一个问题，以前我的回答也简单明了，就两个字，好学。不过...
数学建模——怎样学习数学建模
嵌入式之斋
07-09 1666
1、为什么要学习数学建模？ (1)顺应时代发展的潮流 （2）符合教育改革的需要2、怎样学习数学建模？ 数学建模能力的培养3、数学模型的历史由来已久 欧几里得，《几何原本》，光反射定律 阿基米德，浮力定律，杠杆原理 伽利略，落体定律，惯性原理 牛顿，万有引力，微积分 直到20世纪后半叶，数学建模才逐渐得到普遍重视和广泛应用，并且进入大学的课堂。4、科学进步和社会发展的推动（1）计算机技术的出现和迅速发展，为
编程到底要不要学好数学？
song88的专栏
02-16 2397
讨论“编程到底要不要学好数学”之类的帖子见的不少了，这其实是一大误区，相当于战士在质疑该不该用枪作战。数学在计算机图形学中的应用Greg Turk, August 1997“学习计算机图形学需要多少的数学？”这是初学者最经常问的问题。答案取决于你想在计算机图形学领域钻研多深。如果仅仅使用周围唾手可得的图形软件，你不需要知道多少数学知识。如果想学习计算机图形学的入门知识，我建议你读一读下面所写的前两
怎样学好高中数学学好高中数学的技巧
yan59966的博客
01-18 1058
很多同学都不喜欢数学这门课，觉得是学科中最难的一课，其实高中数学还是很好学想，怎样学好高中数学，学好高中数学的技巧才会达到事半功倍的效果。下面肖老师给同学提几条建议。可以按照这个思路去试试，学好高中数学的技巧才是关键。 第一：做好数学预习。 很多同学都抱怨，我每天都在努力为什么成绩还没有提高上去，努力是不是就是作业按时完成，自己也好好做题，时间也分配好了。成绩怎么就是不能提升。 那么就是你学习方法...
怎样才能学好小学数学.doc
10-22
怎样才能学好小学数学.doc
怎么样才能学好c语言
06-15
当然，在初学C语言时，可能会遇到有些问题理解不透，或者表达方式与以往数学学习中不同（如运算符等），这就要求不气馁，不明白的地方多问多想，鼓足勇气进行学习，待学完后面的章节知识，前面的问题也就迎刃而解了...
★怎样才能学好数学 (2).doc
11-14
★怎样才能学好数学 (2).doc
如何学好单项式的乘除运算？
08-18
学好单项式的乘除运算是数学中的基础，尤其在初等代数中至关重要。这是因为整式的乘除运算往往需要转化为单项式的操作，因此理解和掌握单项式的乘除规则是提升数学能力的关键步骤。以下是对这个主题的详细阐述： ...
C语言写的动画（怎样才能学好C语言 ）
08-13
"C语言写的动画（怎样才能学好C语言的秘籍）"这个资源可能是一个互动教程或演示程序，通过动态的动画形式来生动地展示C语言的概念和技巧。 要学好C语言，首先你需要掌握以下几个关键知识点： 1. **基本语法**：...
AGI 之 【Hugging Face】 的【问答系统】的 [构建问答系统] / [ 构建基于评论的问答系统 ] 的简单整理
仙魁XAN
07-12 698
AGI，即通用人工智能（Artificial General Intelligence），是一种具备人类智能水平的人工智能系统。它不仅能够执行特定的任务，而且能够理解、学习和应用知识于广泛的问题解决中，具有较高的自主性和适应性。AGI的能力包括但不限于自我学习、自我改进、自我调整，并能在没有人为干预的情况下解决各种复杂问题。AGI能做的事情非常广泛：跨领域任务执行：AGI能够处理多领域的任务，不受限于特定应用场景。自主学习与适应：AGI能够从经验中学习，并适应新环境和新情境。
聊聊如何在内网下构建大模型微调环境
python1234567_的博客
07-12 675
LlamaFactory新版更新后，还是比较方便，只是说llamafactory-cli命令的确是有点蒙，踩个坑就好了。对于LlamaFactory微调来说，本身不难，毕竟都是配置；主要是在内网环境下的依赖包拉取安装是真麻烦，但其实也还好。走一遍的话，还是可以学到很多的。​。
Open-TeleVision——通过VR沉浸式感受人形机器人视野：兼备远程控制和深度感知能力
最新发布
结构之法 算法之道
07-12 907
这篇论文的链接，我当时快速看了一遍，还是有价值的一个工作(其应该有受humanplus工作的其他)，一直想做下解读来着，无奈过去一周一直在弄mamba2的解读，所以没来得及弄。码器捕捉图像和本体感觉标记的关系，Transformer解码器输出特定块大小的动作序列。手腕的姿态流式传输到服务器。服务器将人类姿态重新定向到机器人，并将关节位置目标。如下图所示，便是TeleVision的远程操作数据收集和学习设置。7.3日，我司大模型机器人(具身智能)线下营群里的一学员发了《左：我们的远程操作系统。
YOLOv10改进 | 特殊场景检测篇 | 轻量级的低照度图像增强网络IAT改进YOLOv10暗光检测（全网独家首发）
Snu77的博客
07-11 1万+
本文给大家带来的改进机制是轻量级的变换器模型：Illumination Adaptive Transformer (IAT)，用于图像增强和曝光校正。其基本原理是通过分解图像信号处理器（ISP）管道到局部和全局图像组件，从而恢复在低光或过/欠曝光条件下的正常光照sRGB图像。具体来说，IAT使用注意力查询来表示和调整ISP相关参数，例如颜色校正、伽马校正。模型具有约90k参数和约0.004s的处理速度，能够在低光增强和曝光校正的基准数据集上持续实现优于最新技术（State-of-The-Art, SOTA）
怎么才能学好数字图像处理？
06-07
学习数字图像处理需要具备一定的数学、计算机科学和工程学知识，包括线性代数、概率论、计算机编程等。以下是一些学习数字图像处理的建议： 1. 学习数学基础知识：数字图像处理涉及到很多数学概念和算法，例如矩阵...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值