Semester-4-Week-06¶

本周汇总¶

主要是复习了高等代数，几乎是把白皮书关于二次型和线性空间的部分都刷完了，美中不足是学校采用的教材是北大五版，那本糟糕的书编排顺序上把相似放在了二次型后面，所以使用白皮书总结复习其实变得不那么容易，所幸考试并不是太难，比较顺利的基本写出来了.
为了解决一个小定理翻了casella这本书，感觉确实经典有经典的好处，准备下个月好好研读一下这本书
随机过程课即使是考试也没有错过比较完整的听了下来讲的确实是比较棒的，能够学习到比较多的知识
实变函数花的功夫可能还是不够多，下个月打算速通了然后看Folland(完成课后习题)
数理统计教程好难，书里写的难，习题也难，定理不证明，内涵特别的丰富老师却讲的没有激情(为什么院长不来上)
代码能力有待提高，写两个简单的算法实现也磕磕绊绊的
实变函数的作业和数理统计作业都很难写了几乎一个周末
小小的写了一下谢惠民和课后习题准备准备数学分析的月考了
报名了一个概率论和信息论的讨论班希望能加入吧

月末总结¶

本个月总的来看有一些方法论的革新但是还是存在很强的滞后性和不体系化

想写workflow的v3.1现在快迭代到3.2了还没写完，看来发布又得推迟了
想写冰菓和污秽不堪的评价文章迟迟没有动笔因为确实这个想好好打磨一下，等这次考试结束就重温一下冰菓然后写吧
然后是课程学习上，习题开始大量的写发现这样理解效率变高了不少虽然进度因此变慢了但是感觉变得更加的熟悉相应的语言了
谢惠民和白皮书上面题目确实都很好，但是现在看倒是有点简单了(感觉学完实变看效率明显高了很多)
实变函数的题目真的ex，考虑一下把课后题都做了再把答案的技巧方法融合一下吧
数理统计题目更ex，怎么会有这么难的东西，背景非常的复杂，但是没有提示的存在，换我来编就给点hints了
额外收获：
找了几个学长吸收了一下经验-包括课程-科研-学习-做题训练(数学大类也没有tlb消息震惊)
报名了一个概率论和信息论的讨论不知道后文了
拿到了CMC的奖状，等美赛奖状

总的来说，进步还是比较明显的，毕竟资源获取能力现在确实比较高了，找到资料只是时间问题，也找到了不少好的野生讲义和Notes，然后就是行动力可能不足，如果是大一的话我现在可能已经看完实变函数和数理统计课本了吧，不过不敢保证能比现在掌握的牢固，只能说学习方法和思维上确实发生了比较大的转变。

关于作业和代码实现：
1. 作业真的难，zyd简直不是人，那些题又不给hint，只能是硬着头皮想然后去看答案，有的时候答案自己也写的不清楚，或许是写答案的人自己都学会了所以写的很随意.
2. 代码能力确实应该加强一下，numpy和pandas应该好好学一下，毕竟后面还有机器学习要上，然后为什么高性能的科学计算可以达到那样的计算力也可以研究一下
3. 尽量多用ai而非少用，如果你是自律的人的话，你问代码去问ai明显要快的多了，而且解释的往往比你问到的其他人的回答更像一个人！但是需要自己有一些基础以确保你获取的信息都是正确的.
4. 熟悉numpy和pandas，把课件上的内容基本先记下来然后去看相应的网课(这项工作应当在考试结束后立刻开始)

Deeplearning Preliminary¶

以下来自于一位ustc学长的推荐
1. Ian Goodfellow
2. Murphy：Probabilistic Machine Learning
3. Christopher M. Bishop：Pattern Recognition and Machine Learning
4. Deep learning foundations and concepts

个人可能还想加入的参考资料：
1. 动手学深度学习李沐老师
2. 统计学习方法

下个月阅读清单¶

实变函数(全部)+Folland+不包含习题
数理统计(全部)+Casella+不包含习题
运筹学额外的一本英文教材看完，补充线性规划的笔记
完成谢惠民上册数分二的内容(也就是争取一天能写完一章？怀疑)
写NKU数分答案，基本都扫一遍(ex的题目不要跳过去，额外标清楚)
学习画图技术
应用随机过程Ross+陈大岳

支线附录¶

和一位朋友聊了聊有点收获
向一位学长那里获取了一些建议
- 暑假去找一位老师做机器学习的科研
- 问了一下一些课程的评价和给分情况
和另一位学长聊天无意收获学习资料

祝语：如果能写完那本书上的习题，你一定能做好研究。(这是在wzy学长的书中wzj院长说过的话)