- 数学之美读后感 推荐度：
- 数学之美读后感 推荐度：
- 相关推荐
数学之美读后感（通用10篇）
当看完一本著作后，大家一定都收获不少，需要写一篇读后感好好地作记录了。想必许多人都在为如何写好读后感而烦恼吧，以下是小编收集整理的数学之美读后感，欢迎大家分享。
数学之美读后感 篇1
人们发现真理的形式上从来都是简单的，而不是复杂和含混的。
——牛顿
自小就学数学的我，并不觉得它是美好的。于我而言，数学就像紧箍咒一样，不能提，一提。就头疼。
而看了吴军博士所写的《数学之美》后，我对数学的感觉，从以前的被动获取和勉强学习，变成了强烈热爱和主动积极的学习。这原因就在于我发现了它的价值，它的一枝独秀，不可或缺的地位，数学的博大精深和对其相关的各类事业的发展的价值已使我深深陶醉其中。这本书中有很多复杂且长的公式，但这并不妨碍大众的阅读，因为它并非在于让你了解更多IT领域的知识，而是用了大量篇幅介绍各个领域的典故，让我们感受数学思维。这就像李欣教授所说：“成为一个领域的大师有其偶然性，但更有其必然性。其必然性就是大师们的思维方法。”
英国哲学家弗朗西斯·培根在《论美德》这篇文章中讲：“美德就如同华贵的宝石，在朴素的衬托下最显华丽。”数学的美妙，也恰恰在于一个好的思维，好的方法。
在《数学之美》十四章，我被它的标题吸引到了。“余弦定理和新闻的分类”，这俩看似八竿子打不着。却有着紧密的联系。可以说，新闻的分类很大程度上依赖的是余弦定理。我们都知道，计算机处理一个问题是让他去算，而不是像人类一样理解了它，再去解决。而科学家们遇到这个问题，却用了另一种思维，他们把文字的新闻变成一组可计算的数字，然后再设计一个算法来算出任意两篇新闻的相似性。稍详细一些就是：对于一篇新闻中的所有实词。计算出它们的TF-IDF值，再把这些值按照其在对应词汇表的位置依次排列就得到一个向量，这即新闻的特征向量。这时，就可以通过计算两个向量夹角来判断对应的新闻主题的接近程度，这也就要用到余弦定理了。我在必修五数学书上学到余弦定理时，很难想象它可以用来对新闻进行分类。在这里我又一次看到了数学工具的用途。
在书中，我也了解到了数学的发展实际上是不断的抽象和概括的过程。这些抽象了的方法看似离生活越来越远，但他们最终能找到应用的地方，布尔代数便是如此。
布尔代数的简单不能再简单了。运算的元素只有两个0和1，基本的运算只有“与”、“或”和“非”。几乎就是我们现在所学的“判断命题真假”。在布尔代数提出后的80多年里，他确实没有什么像样的应用。直到1938年香农在他的硕士论文中指出，布尔代数来实现开关电路。才使得布尔代数成为数字电路的.基础。正是依靠这一点，人类用一个个开关电路最终“搭出”电子计算机。
这些，都能体现作者“简单即是美”的思想。他在书中也写道：“数学的精彩之处就在于简单的模型可以干大事。”这些，也都是我从未感受到过的。并且，在这本书中，作者也用了不少篇幅来介绍通信领域的世界级专家，让我对真正的世界级学者有更多的了解和理解，比如贾里尼克，Google AK-47的设计者——阿米特·辛格博士，自然语言处理的教父米奇·马库斯等等。
爱因斯坦说过：“从希腊哲学到现代物理学的整个科学史中。不断有人力图地表面上极为复杂的自然现象归结为几个简单的基本概念和关系，这就是整个自然哲学的基本原理。”这本书把数学在IT领域的美丽予以了精彩表达，我也知道，把一件复杂的事用简单的语言表达出来，并非易事，这应该也是各界人士都对这本书予以好评的原因吧。
当然，我也明白，欣赏美不是终极目的，更值得我们追求的是创造美境界。
还有，希望未来的自己，无论生活好与坏，都能少一点浮躁，多一点踏实和对自然科学本质的好奇求知。
数学之美读后感 篇2
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3
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4
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5
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6
重复的体力劳动已经被机器取代，重复的脑力劳动也将被AI取代。
目前的算法更多的是从统计学、概率论角度来执行，其算法依靠人为设定执行，今后AI的介入，算法会趋于自我迭代、自我演化。
就整体而言机器的搜索、筛选、分析、逻辑推理等，都是基于当前情况最大概率决策。即通过算法计算下一步所有可能情况的概率分布，然后得出实现目标哪种决策成功概率最高，即为下一步的方案。
在这种环境下人最好的`方式便是与机器合作，将资源分配到这些大概率事件上，当然也会有一部分人怀有赌徒心态，将资源，甚至全部资源分配到小概率事件上，幻想出现奇迹，而这件事就叫“创新”。
但“创新”才是真正的未来，因为从宇宙角度来看，人类诞生的几率不到万亿分之一，而这是多么伟大的奇迹，又是多么伟大的创新！
数学之美读后感 篇7
《数学之美》，一个从事多年工作的谷歌研究员眼中的数学。令我大饱眼福的是，大学里面的数学知识竟能如此广泛运用到了计算机行业中。
在语音识别、翻译，还有密码学领域，有着许多基于概率统计的模型和思想。当然，贝叶斯公式是基础，应用到隐含马尔科夫链模型，神经网络模型。
在搜索中，一些相关性的计算，无不用到了概率的知识。在新闻分类中，用到了一些有关矩阵特征值、相似对角化的知识。当然，在图像处理方面，矩阵变换可谓是无处不在。另外，在识别方面，有一些通信模型，涉及到了信道、误码率、信息熵。
最近刚开学也没什么事，所以就想随便找几本书看一下，但最好别是那种太艰深晦涩的书。8月份一直到现在，吴军写的这本12年5月出版的《数学之美》一直盘踞京东、亚马逊等各大网上商城科技类图书的榜首，当然，还有早些时候出版的《浪潮之巅》也排在很靠前的位置。心想市场的力量应该能帮我挑出好书吧，于是就从图书馆借了一本来，一直到今天晚上把它给看完了。
因此想写一点东西来总结、反思一下，反正刚开完班会也没什么事干。
写在前面的建议：如果你不讨厌数学的话，强烈推荐这本书，网上也可以下到电子版，不过阅读感觉上还是很不一样的。
废话就不多说了，《数学之美》其实是一本科普类的读物，所面向的是接受过普通高等教育的人，完全不需要在特定领域有很深的造诣就可以看懂，大概懂一点线性代数、概率统计、组合数学、信息论、计算机算法、模式识别最好（虽然列举了这么多，其实有些不懂也没关系……），所以尤其适合信科的人看。内容大部分是和人工智能、计算机相关的，这并非我所学的专业，但作者比较擅长将看似复杂的原理用简明的语言表达出来，所以可读性还是很好的。
吴军是清华大学毕业的，之前任职于Google，后来到了腾讯，这些文章都是发表在Google黑板报上的，后来经过了重写，所以网上下载的和书本内容有所差异。由于吴军本人是研究自然语言处理和语音识别的，所以统计语言模型的东西可能会多一点，不过我觉得这丝毫不妨碍全书数学之美的展现……感觉收获还是挺多的，知识上的有一些，但更多还是思维方式上的。作者举了很多例子试图让人明白很多看似复杂的高科技背后，基本原理其实是出乎意料简单的（当然，必须承认第一个想到这些方法的人还是非常了不起的……）。比如高准确率的机器翻译，看上去好像是计算机能够理解各国语言，隐藏在背后的却是很多具有大学理科学历的人都非常清楚的统计模型和概率模型；再比如拼音输入法的数学原理，早期的研究主要集中在缩短平均编码长度，比如曾经流行一时的五笔输入法，而现今真正实用的输入法却是有很多信息冗余、编码长度比较长的拼音输入法，作者从信息论和市场的角度做了简单的阐述；又比如新闻的自动分类，许多非IT领域的人可能会认为计算机可以读懂新闻并进行分类，而实际上只是特征向量的抽取、多维空间中向量夹角的计算，非常非常简单，但凡学过一点线性代数的人绝对是一看就懂的……当然，完美的实现还需要考虑很多细节和现实的情况，但这并不是这本书所关注的.地方，数学之美在于其简洁而不是繁琐。
除了对于具体信息技术的剖析之外，作者还花了很大篇幅来讲一些杰出人士的成长过程，特别是把这些人的成长经历和中国学生的成长经历作对比。虽然作者并没有明说，但字里行间多少流露出对于中国高等教育以及很多中国企业的批评，一是教育的功利性，缺乏宽松的独立思考的环境，即使学了一堆理论也难有用武之地，自然也就缺乏创新性的成果；二是中国企业的短视，大部分都不舍得在新框架开发上投资，而是坐享学术界和国外企业的研究成果。
总结一下呢，《数学之美》事实上不能带给你编程能力的提升，也没法让人的数学水平有显着的提升，但它在很大程度上让你跳出教科书式的繁琐细节的束缚，能够从更宏观的角度来思考信息世界背后的数学引擎的运行原理，让人明白看似很高级、复杂的东西背后其实并不如我们所想象的那样复杂，而我们所学的“枯燥”的数学真的可以“四两拨千斤”，改变亿万人的生活。
数学之美读后感 篇8
本书介绍了Google产品中涉及的自然语言处理、统计语言模型、中文分词、信息度量、拼音输入法、搜索引擎、网页排名、密码学等内容背后的数学原理。让我们看到了布尔代数、离散数学、统计学、矩阵计算、马尔科夫链等似曾相识的内容在实际生活中的应用。相比于其他数学题材书籍，吴军老师把抽象、深奥的数学方法解释得通俗易懂，书中同时引用了诸多的历史典故和人物介绍，给人以很多启发，也让人由衷感叹数学的简洁和强大。
虽是数据专业毕业，但是才疏学浅，无力对数学的美进行阐述。仅就书中两个比较喜欢的地方发表一点不成熟的见解，与诸位共勉。
其一，在讲Google的搜素引擎反作弊时谈到做事情的两种境界“道”和“术”，术就是具体的做事方法，而道则是隐藏在问题背后的动机和本质。在术这个层面解决问题要付出更多的努力，有点类似于我们常说的“头疼医头，脚疼医脚”，暂时不疼了，过几天复发了，再去医治，如此往复，无法从根本上解决；而只有找到了致病原因，才能做到药到病除，根本治愈。本人之前参与过行内月终自动核对的研发，月终核对初期数据的不一致性只能靠数百业务人员人工核对数据差异，然后修改数据，每月1日都要加班加点，工作量很大，这是从术上解决问题。后来找到了产生差异的原因是会计核算时的利息调整造成的，把这些数据接过来进行相应冲减后差异就消失了，业务人员也不用来加班了，这才是从道上解决问题。
其二，是在做中文网页排名时提到的.从业界成功的秘诀之一：“先帮助用户解决80%的问题，再慢慢解决剩下的20%的问题。许多时候做事失败，不是因为人不够优秀，而是做事的方法不对。一开始追求大而全的解决方案，之后长时间不能完成，最后不了了之”。我们在做项目时也是一样，业务有时要的功能非常急，可能有些功能也实现不了（比如系统响应时间长、查询明细不能支持省行等）。这时我们就要将焦点关注在那些可以实现的80%的功能上，哪怕刚刚上线的系统界面丑点，操作复杂点，反应速度慢点，但是至少业务有可用的系统，剩下时间再去优化那剩下的20%。这样可以帮助我行抢占先机，在与同行业的竞争中取得主动。如果等待我们把所有的细节都搞清楚再动手开发，力求完美，那么很可能系统能够上线的时候业务已经不需要了。
数学之美，也就是简单之美。希望大家能够喜欢数学，喜欢数学之美。
数学之美读后感 篇9
这本书一共3章，主要介绍了这些数学方法：统计方法、统计语言模型、中文信息处理、隐含马尔科夫模型、布尔代数、图论、网页排名技术、信息论、动态规划、余弦定理、矩阵运算、信息指纹、密码学、搜索技术、数学模型、最大熵模型、拼音输入法、贝叶斯网络、句法分析、维特比算法、各个击破算法等。从第一章开始其明了幽默的语言就深深的吸引了我，让我觉得如果早一点看这本书，也许数学之于我就是另一番天地。
第一章里作者从原始人类的通信方式开始入手，人类最早利用声音进行的通信依赖于开篇给出的"编码-传输-解码"的基本原理，指出原始人的通信方式和今天的通信方式没什么不同，这世界上近现代最普遍的原理大部分都在人类发展的历史上被无意识的使用着。
第六章信息论给出了信息的度量，它是基于概率的，概率越小，其不确定性越大，信息量就越大。引入信息量就可以消除系统的不确定性，同理自然语言处理的大量问题就是找相关的信息。信息熵的物理含义是对一个信息系统不确定性的度量，这一点与热力学中的熵概念相同，看似不同的学科之间也会有着很强的相似性。事务之间是存在联系的，要学会借鉴其他知识。
这本书里也能找到不少在学的课程知识，如大学专业课里，数电总是要比模电简单不少，而自然界里大部分的信号都属于模拟信号。所谓模拟信号，是指从时间和数值两种维度上看来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、易于传输等。
简而言之，如果没有数学，就没有数字信号处理和传输的概念，而数字信号传输在当下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。
作者把生活中遇到的复杂的问题，以简单清晰，直观的模型或者公式展现出来。我们可能过于注意生活中的种种奇妙现象，往往忽略了追求其理论逻辑的演绎，而这，也是大部分问题的主要根源。
罗素曾经说过："数学，如果正确地看，不但拥有真理，而且也具有至高的美";爱因斯坦也曾说过："纯数学使我们能够发现概念和联系这些概念的`规律，这些概念和规律给了我们理解自然现象的钥匙。"数学在所有科学领域起着基础和根本的作用。"哪里有数，哪里就有美".在这里，我也想把《数学之美》真诚推荐给每一位对自然、科学、生活有兴趣有热情的朋友，不管你是从事职业，读一读它，会让你受益良多。
吴军老师在《数学之美》中提到："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".回到我们日常的生活中，需要学习的东西、技术太多太多，如果一味地只为去追技术的脚步，那么我们也会很累很累。然而基本的原理却是没有怎么变化的。只见森林，不见树木，难免迷失；站在高处向下看，也许我们一直看不到底，但是站在底处却是可以看见底的。
数学之美读后感 篇10
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】相关文章：
和谐之美02-17
数学之美读后感（精选11篇）08-22
数学之美读后感（精选15篇）07-15
语文桥之美教案08-26
桥之美教学反思01-01
冬之美优秀作文03-06
秋之美优秀作文03-05
细节之美绘宏图08-28
四季之美03-08