極客時間出品的《程式設計師的數學基礎課》由黃申所作，黃申是LinkedIn資深資料科學家。本專欄課程黃申將從程式設計的視角，結合自己十多年學術經驗和工業實踐，總結了一套適合程式設計師的數學學習方法和知識體系。希望通過“知識 – 應用 – 知識”的講解路線，為你貢獻一堂實用、精彩的數學課。
《程式設計師的數學基礎課》課程背景
數學基礎的好壞，會直接決定一個程式設計師的發展潛力。
往大了說，數學是一種思維模式，考驗的是一個人歸納、總結和抽象的能力。把這個能力放到程式設計師的世界裡，其實就是解決問題的能力。
往小了說，不管是資料結構與演算法，還是程式設計，很多底層原理和程式設計技巧都源自數學，比如你熟悉的分頁功能，用的其實是餘數的思想。所以很多大公司招人時，會優先考慮數學專業的畢業生。數學基礎好，學程式設計也更容易上手。
如果說程式語言是血肉，那數學的思想和知識就是靈魂。它可以幫你選擇合適的資料結構和演算法、提升系統效率，並且賦予機器智慧。尤其在大資料和智慧化的時代，更是如此。
因此，學數學絕不是死背那些艱深晦澀的定理和公式，洞悉技術本質，掌握知識規律，具備數學思維，擁有發現問題、分析問題、解決問題的能力，才是你的終極目標。
那程式設計師究竟該如何學習數學呢？在這個專欄裡將系統地為你講解。
《程式設計師的數學基礎課》講師介紹
黃申，LinkedIn 資深資料科學家，博士畢業於上海交通大學電腦科學與工程專業，師從俞勇教授。微軟學者，IBM ExtremeBlue 天才計劃成員。長期專注於大資料相關的搜尋、推薦、自然語言處理、廣告以及使用者精準化領域。
曾在微軟亞洲研究院、IBM 美國研究院、eBay 中國、1 號店和大潤發飛牛網擔任要職，帶隊完成了若干公司級的戰略專案。同時擔任《計算機工程》特邀審稿專家，著有 20 多篇國際論文並擁有 10 多項國際專利。
《程式設計師的數學基礎課》專欄模組
專欄用 51 節，四大模組，精講那些程式設計師真正用得上的數學知識。
基礎思想篇
梳理了程式設計中最常用的數學概念和思想，比如餘數、迭代、排列、組合，由淺入深精講資料結構與數學是如何你中有我，我中有你。幫你徹底掌握這些最基礎、最核心的數學知識，同時也能讓你明白，數學對程式設計和演算法究竟意味著什麼。
概率統計篇
以概率統計中最核心的貝葉斯公式為圓心，向上講解隨機變數、概率分佈這些基礎概念，向下講解樸素貝葉斯，並分析它們在生活和程式設計中的實際應用，在應用中反哺概念。讓你真正理解概率統計的本質，跨過概念和應用之間的鴻溝。
線性代數篇
從線性代數中最核心的概念向量、矩陣、線性方程入手，逐步深入分析，這些概念是如何與計算機互幫互助，融會貫通，解決實際問題的。比如，線性代數究竟是在講什麼？怎樣讓計算機理解現實世界？如何過濾冗餘的新聞？從概念到應用，再到本質，讓你不再害怕新技術中的“舊知識”。
綜合實戰篇
將通過快取系統、搜尋引擎、推薦系統中的實際應用，串講前面講到的數學知識和概念，幫你加深對知識的理解，學會用數學思維來分析問題和解決問題，讓數學思維成為你的一種基礎能力。
《程式設計師的數學基礎課》課程表
程式設計師應該怎麼學數學？
01二進位制：不瞭解計算機的源頭，你學什麼程式設計
02餘數：原來取餘操作本身就是個雜湊函式
03迭代法：不用程式語言的自帶函式，你會如何計算平方根？
04數學歸納法：如何用數學歸納提升程式碼的執行效率？
05遞迴（上）：泛化數學歸納，如何將複雜問題簡單化？
06遞迴（下）：分而治之，從歸併排序到MapReduce
07排列：如何讓計算機學會“田忌賽馬”？
08組合：如何讓計算機安排世界盃的賽程？
09動態規劃（上）：如何實現基於編輯距離的查詢推薦？
10動態規劃（下）：如何求得狀態轉移方程並進行程式設計實現？
11樹的深度優先遍歷（上）：如何才能高效率地查字典？
12樹的深度優先遍歷（下）：如何才能高效率地查字典？
13樹的廣度優先遍歷（上）：人際關係的六度理論是真的嗎？
14樹的廣度優先遍歷（下）：為什麼雙向廣度優先搜尋的效率更高?
15從樹到圖：如何讓計算機學會看地圖？
16時間和空間複雜度（上）：優化效能是否只是“紙上談兵”？
17時間和空間複雜度（下）：如何使用六個法則進行復雜度分析？
18總結課：資料結構、程式設計語句和基礎演算法體現了哪些數學思想？
19概率和統計：程式設計為什麼需要概率和統計？
20概率基礎（上）：一篇文章幫你理解隨機變數、概率分佈和期望值
21概率基礎（下）：一篇文章幫你理解常用概率公式
22樸素貝葉斯：如何讓計算機學會分類？
23文字分類：如何區分特定型別的新聞？
24語言模型：如何使用鏈式法則和馬爾科夫假設簡化概率模型？
25馬爾科夫鏈：從PageRank到語音識別，背後是什麼模型在支撐？
26資訊熵：如何通過幾個問題，測出你對應的武俠人物？
27決策樹：資訊增益、資訊比率和基尼指數的運用
28熵、資訊增益和卡方：如何通過資訊學尋找關鍵特徵？
29歸一化和標準化：各科成績如何綜合才是最合理的？
30統計意義（上）：！《何判斷你的A/B測試結果是不是巧合？
31統計意義（下）：如何判斷你的A/B測試結果是不是巧合？
32概率統計篇答疑和總結：為什麼會有欠擬合和過擬合？
33線性代數：線性代數到底是在講什麼？
34向量空間模型：如何讓計算機理解現實事物之間的關係？
35文字檢索：怎樣讓計算機理解自然語言？
36文字聚類：如何過濾冗餘的新聞？
37矩陣（上）：如何使用矩陣操作進行PageRank計算？
38矩陣（下）：如何使用矩陣操作進行協同過濾推薦？
39線性迴歸（上）：如何使用高斯消元法求解線性方程組？
40線性迴歸（中）：如何使用最小二乘法進行直線擬合？
41線性迴歸（下）：如何使用最小二乘法進行效果驗證？
42PCA主成分分析（上）：如何利用協方差矩陣來降維？
43PCA主成分分析（下）：為什麼要計算特徵值和特徵向量？
44奇異值分解：如何挖掘潛在的語義關係？
45線性代數篇答疑和總結：矩陣乘法的幾何意義是什麼？
46快取系統：如何通過雜湊表和佇列實現高效訪問？
47搜尋引擎（上）：如何打造一個簡單的搜尋引擎？
48搜尋引擎（下）：如何通過分類查詢，讓你的搜尋結果更相關？
49推薦系統（上）：如何實現基於相似度的協同過濾？
50推薦系統（下）：如何通過SVD分析使用者和物品的矩陣？
51綜合應用篇答疑和總結：如何進行個性化使用者畫像的設計？
訂閱價格：
為回報猿人學的粉絲，所有通過我分享的二維碼購買的使用者，請加我微訊號：dismissmewp，備註：返現。
享受完其它優惠後，我再給大家立即返￥12元現金。
我的公眾號：猿人學 Python 上會分享更多心得體會，敬請關注。
***版權申明:若沒有特殊說明，文章皆是猿人學 yuanrenxue.com 原創，沒有猿人學授權，請勿以任何形式轉載。***