读后感中可以讨论作者的写作风格，如何影响了作品的整体效果，读后感可以让我们分享自己的见解，与他人进行更深入的讨论，以下是总结社小编精心为您推荐的数学之美读后感8篇，供大家参考。

数学之美读后感篇1

看完《浪潮之巅》,了解了硅谷很多公司尤其是互联网公司的沉浮,对吴军的书就非常感兴趣，看到吴军的另一本书《数学之美》，激起了很深的兴趣，所以很快把书看完了，普及了很多基础的知识的同时也启发了很多想法，感觉很爽。

我自己在交大学的是工科（虽然没怎么上过课），小学、初中、高中都是一路参加数学竞赛，名次都还不错，也因此没有参加中考、高考，一路保送，自己对数学有很深的感情，同时女朋友大学也是数学系，有点后悔的大学选了个并不感兴趣的专业（交大当时允许我随便选专业，我没有跟父母商量自己选了船舶制造）。看这本书的过程中找到了很多高中在看竞赛书的感觉，里面提到的很多概率论（不等式）、图论、数论的知识是高中数学联赛复试的重点，高中的时候已经研究的很深了，不过大学荒废了之后也忘得差不多了，书中提到的很多定理还很有亲切感

书名叫做《数学之美》，显得有些太大，毕竟更多的是吴军在google做搜索相关工作用到的数学模型的介绍与总结，提到的数学部分大多集中在概率论、图论、数论领域，所以书名太大了，可能hax说得对，也许是出版社为了卖书取得名字

不得不说吴军是一个大家，文字中能够透露出大家的气势，书中不断的穿插着各种历史上的大科学家以及科技领域的大家的小故事甚至八卦，从文字中非常能够感受到吴军是一个和他们一个层次的人（即使他自己会自谦说是一个二流的工程师之类）

书中具体的模型就不介绍了，说几点我学到的知识，能列出来的都是看完还有点印象的：

1.在互联网的世界中，信息是如何量化的，信息熵是怎么回事？有啥用？

2.搜索领域中，语言是如何统计的，尤其是如何通过概率模型进行分词

3.搜索引擎是如何工作的—网络爬虫是怎么回事儿

4.pagerank是怎么回事？为了解决什么问题？

5.密码与解密领域的数学模型，尤其提到的二战时候的各种解密的趣事儿，提到的电视剧《暗算》打算抽空看下

6.拼音输入法的数学模型

7.、文本自动分类的模型

……

看完之后最大的感受就是：

1.数学模型巨大作用，推动着新技术的发展

2.攻城师是一个伟大的职业，能够运用这些知识转化为生产力，非常牛叉

3.书中提到了很多数学模型都是在不断的进化、改良、升级，也就是说有人不断的在做优化，会有不断更好的模型、更新的技术出现，跟得上技术的发展可能也是比较重要的，否则很多人一直在做某一点上的持续优化就没有意义了。

但同时技术很大的作用是用来解决实际问题的，书中提到的各个数学模型、各种方法都是为了解决人们的需求或者业务的需求，毕竟公司不是科学研究所，所以追求通过技术直接解决用户需求或者做成易用的工具给业务人员、运营人员来间接解决用户需求是挺重要的，可能不是技术人员觉得做到80分就可以了，而是用户、使用工具的人觉得做到80分是一个重要的衡量

提到“工具”，想到赵赵说过的一句话：“不好用就等于没有”，可能就是这个点，同时运用工具的人必须好好的运用，如果用不好甚至不用就太对不起技术了

数学之美读后感篇2

在看吴军的《数学之美》之前，我并没有看过他写的《浪潮之巅》、《文明之光》等书，但是他主理的得到专栏《硅谷来信》已经听了很久，对吴军其人颇为了解——本硕毕业于清华大学，然后在约翰霍普金斯大学攻读博士，02年、10年先后在谷歌和腾讯任职，是著名的自然语言处理和搜索专家，现在主业是硅谷风险投资。他的专栏宣传标语是“像时代领航者一样思考”，吴军也确实具有“时代领航者”那样的视野和见识，除了专业领域之外，对于日常生活和学习、职业发展也有不俗的见解。

?数学之美》最初是吴军做谷歌研究员时，在谷歌黑板报上撰写的一系列文章。虽然谷歌黑板报的本意是让吴军从一个科学家的角度介绍一下谷歌的技术，但是他却更希望“让做工程的年轻人看到在信息技术行业做事情的正确方法”——因为吴军刚到谷歌时，发现谷歌早期的一些算法根本没有系统的模型和理论基础，而是用“凑”的方法解决问题，工程水平低下。国内这种情况就更加泛滥了。

后来，吴军又将这一系列博客几乎重写了一遍，写成了《数学之美》，希望它能向非it行业的从业人员普及一些it领域的数学知识，能成为茶余饭后消遣的科普读物。“世界上最好的学者总是有办法深入浅出地把大道理讲给外行听，而不是故弄玄虚地把简单的问题复杂化”，因此吴军尽力以伽莫夫（《从一到无穷大》作者）、霍金为榜样，力图将数学之美展示给所有普通读者。

由于我学习过概率论、数理统计、数据结构，整本书看下来，除了某些章节后的“延伸阅读”和马尔可夫链等内容外，其他都是可以看懂的。其实看不懂的部分主要是在用数学推理证明文中的论点，即使不看也不会影响阅读体验。

吴军在扉页讲道：“数学之美，首先在于其内容或许复杂而深奥，但形式常常很简单。同时，数学之美还在于数学原理的通用性和普遍性——数学上的一点突破，可以带动很多领域和行业的进步。”

我高中时曾因为数学的应用不明确而对其抱有偏见，直到大学接触到了数学建模。同样，这本书中讲到了许多数学在信息技术工程领域的应用，搭建了数学与应用之间的桥梁。

书中最令人印象深刻的例子就是通信。人与人之间的交流，也算是广义上的通信，因此通信与我们的生活息息相关。而数学在通信中的应用非常普遍，因为从电报、电话、电视到互联网，这些现代通信都遵从着信息论的规律，而整个信息论的基础就是数学。不仅如此，整个人类的自然语言和文字的起源背后，都受到数学规律的支配——因为数字和文字、自然语言一样，都是信息的载体；语言和数学产生的目的都是为了记录和传播信息。

一个典型的通信系统是这样的：发送者（人或者机器）发送信息时，需要采用一种能在媒体中（比如空气、电线）传播的信号，比如语音或者电话线的调制信号，这个过程是广义的编码。然后通过媒体传播到接收方，这个过程是信道传输。在接收方，接收者（人或者机器）根据事先约定好的方法，将这些信号还原成发送者的信息，这个过程是广义上的解码。

我们平时说话时，大脑就是一个信息源，声带、空气就是如电线、光缆般的信道，听众的耳朵就是接收器，而声音就是传送的信号。根据声学信号推测说话者的意思，就是语音识别。

语言实质上是一套编码、解码的规则。从字（字母）到词的构词法是词的编码规则，这套规则是完备的（有限且封闭的集合）；从词到句的语法是语言的编码规则，这套规则是不完备的（无限和开放的集合）——任何语言都有语法覆盖不到的地方。

正是由于语法是不完备的规则，所以在自然语言处理的研究当中，基于规则的方法走向了一条死路。随着计算机性能和可用数据量的增加，基于统计的方法已经被广泛运用到自然语言处理中。书的第2章到第7章，围绕自然语言处理的统计学模型，讲述得深入浅出，而且对科学界的许多大师级人物和他们的贡献都做了介绍。

另一个绝妙的应用案例，是第14章《余弦定理和新闻的分类》。我们在高中都学过用余弦定理判断两个向量之间的夹角大小，然而不知道这样做有什么实际意义。如果当时我们的老师能举出文本分类作为例子，一定能让同学们兴奋不已。

如果由人来做新闻分类，人一定会先把文章读懂。但是计算机没有智能，根本读不懂新闻，它只拥有强大的计算能力。这就要求我们把文字组成的新闻变成一组可以计算的数字，然后设计一个算法，算出任意两篇新闻的相似性。

新闻传递信息，而词是信息的载体，“同一类新闻用词都是相似的，不同类的新闻用词各不相同”。当剔除掉“的、地、得”和“之乎者也”那样的助词和虚词之后，对新闻中剩下的实词，计算出每个词的出现频率（实际上更为复杂，因为只是一篇读书笔记，我就简化成“出现频率”了），再按照词在词汇表中出现的顺序，将这些频率值依次排列，就得到了这篇新闻的特征向量。

如果词汇表中的某个词在新闻中没有出现，对应的频率值为0。如果词汇表总共有64000个词，就会得到一个64000维的特征向量，向量中每一个维度的大小代表每个词对这篇新闻主题的贡献。新闻就这样，从文字变成了数字。

一篇10000字的文本，它的特征向量各个维度的数值普遍比一篇500字的文本要大，因此单纯比较各个维度的大小没有太大意义。但是，向量的方向却有很大的意义。如果两个向量的方向基本一致，说明它们的新闻用词比例基本一致。

因此，可以通过余弦定理计算两个特征向量之间的夹角，判断对应的新闻主题的接近程度。在真实的文本分类聚合过程中，需要自底向上不断合并，合并的过程中类别越来越少，而每个类越来越大。

另外值得一提的是，这项研究的动机很有意思。当时某个国际会议需要把提交上来的几百篇论文交给各个专家评审，把每个研究方向的论文交给这个方向最有权威的专家。作为会议程序委员会主席的雅让斯基教授为了偷懒，就想了这个将论文自动分类的方法，由他的学生弗洛里安很快实现了。

考虑到多次迭代的计算量，后文又介绍了矩阵奇异值分解的方法，将计算量缩小到1/6。

此外，书中还介绍了搜索引擎算法、拼音输入法等应用背后的数学模型。第19章《谈谈数学模型的重要性》中用托勒密的地心说模型（大圆套小圆）举例，讲：“正确的数学模型在科学和工程中至关重要，而发现正确模型的途径往往是曲折的。正确的模型在形式上通常是简单的。”

其实这本书中，除了it领域的数学应用之外，还有许多值得深挖的地方。看书的过程中，我有时会突然从书中的观点联想到其他地方看过的观点。比如讲信息和情报时说到斯大林在中苏边界的60万大军不敢轻易调到欧洲战场，就联系到《日本大败局》里日本明知必败却执意南下进攻，偷袭珍珠港；比如讲信息论中“冗余度”的概念时，联系到罗胖“冗余度大是优势，信息传播效率反而高”的看法；讲到数学模型的重要性时，想到黎曼的非欧几何对相对论、超空间研究的重大意义……

其实大多情况下，看书只是用来怡情、消遣的手段，和打牌、玩游戏本质上是一样的。读书的过程中经常会灵光乍现，这就是读书的乐趣。

数学之美读后感篇3

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4

最近看了这本《数学之美》，不得不感叹一句，可惜早已身不在起点。

我读书的时候，数学成绩一直都很好，虽然离开学校已经10多年，自觉当初的知识还是记得很多，6~7年前再考线性代数和概率论，还是得到了很高的分数。不过我也和大部分人一样，觉得数学没有太多用处，特别是高中和大学里面学的，那些三角函数，向量，大数定律，解析几何，除了在考试的题目里面用一下，平时又有什么地方可以用呢？

看了《数学之美》，惊叹于数学的浩瀚和简单，说它浩瀚，是因为它的分支涵盖了科学的方方面面，是所有科学的理论基础，说它简单，无论多复杂的问题，最后总结的数学公式都简单到只有区区几个符号和字母。

这本书介绍数学理论在互联网上的运用，平时我们在使用互联网搜索或者翻译功能的时候，时常会感叹电脑对自己的了解和它的聪明，其实背后的原理就是一个个精美的算法和大量数据的训练。那些或者熟悉或者陌生的数学知识（联合概率分布，维特比算法，期望最大化，贝叶斯网络，隐形马尔可夫链，余弦定律，etc），一步步构建了我们现在所赖以生存的网上世界。

之所以觉得自己早已身不在起点，是因为上面这些数学知识，早已经不在我的知识框架之内，就算曾经学过，也不过是囫囵吞枣一样的强记硬背，没有领会过其中的真正意义。而今天想重头在来学一次，其实已经不可能了。且不说要花费多少的精力和时间，还需要的是领悟力。而这一些，已经不是我可以简单付出的。

不像物理、化学需要复杂的实验来验证，很多数学的证明，几乎只要有一颗聪明的头脑和无数的草稿纸，可是光是这颗聪明的头脑，就可以阻拦掉很多人。有人说多读书就会聪明，我不否认，书本的确会提供很多知识，可是不同的人读同一本书也会有不同的收货，这就限制于每个人的知识框架和认知水平。就如一个数学功底好过我的人，看这本书，就会更容易理解里面的公式和推导出这些公式的其他运用点，而我，只能站在数学的门口，感叹一句，它真的好美吧。

当然，我暂时无法在实际生活中运用这些数学公式，可是书中提到的一些方法论，还是很有帮助的

1）一个产业的颠覆或者创新，大部分来自于外部的力量，比如用统计学原理做自然语言处理。

2）基础知识和基础数据是很重要性，只有足够多和足够广的数据，才可以提供有效的分析，和验证分析方法的好坏。

3）先帮用户解决80%的问题，在慢慢解决剩下的20%的问题；

4）不要等一个东西完美了，才发布；

5）简单是美，坚持选择简单的做法，这样会容易解释每一个步骤和方法背后的道理，也便于查错。

6）正确的模型也可能受噪音干扰，而显得不准确；这时不应该用一种凑合的修正方法加以弥补，而是要找到噪音的根源，从根本上修正它。

7）一个人想要在自己的领域做到世界一流，他的周围必须有非常多的一流人物。

数学之美读后感篇5

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、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6

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7

第8章里的“索引”，作者讲到谷歌面试产品经理的一道题目：如何向你的奶奶解释搜索引擎。关于这个问题，好的回答据说是用图书馆的索引卡片做类比。

我奶奶是个文盲，一生为农，日出而作，日落而息。她很少看电视，更别说图书馆。所以用图书馆的例子，对我们来说，很生动；对她来说，很生涩。

我们村的田地是按照地形、土质和流水等来划分的，计有一等地、二等地和三等地。一般情况下，一等地用来种水稻，二等地用来种菜，三等地用来种水果。

所以当我奶奶想要给我摘桔子的时候，她肯定不会从一等地或者二等地一块地一块地找过来，而是直接跑到三等地（一般就是山上）。

像这样的索引，是基于脑子里的“数据库”，因为田地不会很多，多了也来不及种，所以跟布尔代数没什么关系。但是这样解释，我奶奶就会大概明白了。我奶奶生前一次电脑也没用过，跟她解释这些，唯一的意义是，她会觉得我没有敷衍她，这会使她欣慰——如果有机会解释的话。

杨小凯曾经说，如果张五常多加注重使用数学模型，那诺奖也许就拿下了。张五常对此不以为然，反以为傲，自诩当今世上只有科斯、阿尔钦和他才敢只用文字，不借助数学模型就在经济学界占有一席之地。

当然，张五常也不是彻底否定数学的作用，他认为能够用文字解释的经济学原理，不必使用数学对其复杂化。

数学在信息学和经济学里都有广泛应用，但是在信息科学方面，对数学作用大小的争论就没有经济学那么大了。

我们常说搜索引擎的竞价广告，就可能经历到第三方公司，通常他们宣传自己是谷歌或者别的搜索引擎公司的代理商，然后通过不正当手段为客户提高网页的排名。谷歌在消除网络作弊方面做了很多努力，通过修改排序算法来为搜索者提供更加准确实效的信息。

“作弊的本质是在网页排名信号中加入噪音，因此反作弊的关键是去噪音。沿着这个思路可以从根本上提高搜索算法抗作弊的能力。”我们公司就是吃了这个亏，交了不少钱给第三方公司，结果算法一变，关键词的排名从前三下降到前三页没影。

社交搜索正在雄起，但是如果想要在传统的搜索引擎中占据有利排名，我想，第三方公司的技术水平是很关键的。

大学专业课里，数电总是要比模电简单不少。

自然界里大部分的信号都属于模拟信号。所谓模拟信号，是指时间和数值上都是连续变化的信号。在实际电路中，模/数转换是一个很重要的过程，将预处理的模拟信号经过模/数变换为数字信号，然后进行数字信号处理。而数字化处理有很多优点，比如功能强大、抗干扰能力强、易集成化等。

简而言之，如果没有数学，就没有数字信号处理的概念，也就无法进行信号的传输，而数字信号传输在大规模的集成电路里是必不可少的，这是通信成功的基本要求。

之前看到有人说如果高中看这本书，也许数学就是另一番天地，会有所突破。我不觉得，如果高中看这种书，我想，大多数人还是会对数学更加望而却步。本书更适合通信电子这些专业的学生，在学习专业课的时候辅助阅读，对理解通信原理、数电模电等都有更形象生动的想法。

数学之美读后感篇8

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。