大學離散數學答案解析

⑴ 離散數學：一對一函數和映上函數，求答案，詳細解答

數學是任何當代科學學科的基石。現代數據科學的幾乎所有技術，包括機器學習，都有深厚的數學基礎。

毫無疑問，想要成為一個頂級的數據科學家，需要在各個方面都具有優勢如編程能力、一定的商業智慧、以及獨特的分析能力等。但了解「引擎蓋下的機械原理」總是有好處的。對演算法背後的數學機制有一個深入的理解，將使你在同行中具有優勢。

對於從其他行業（硬體工程、零售、化學加工工業、醫葯和衛生保健、商業管理等）進入數據科學領域的新人來說，這一基本數學知識尤為重要。雖然這類領域可能需要電子表格、數值計算和投影方面的經驗，但數據科學所需的數學技能可能有很大的不同。

考慮web開發人員或業務分析人員。他們可能每天都要處理大量的數據和信息。數據科學應該是關於科學而不是數據。遵循這一思路，某些工具和技術就變得不可或缺。

• 通過探測底層動態來建模一個過程

• 形成假設

• 嚴格評估數據源的質量

• 量化數據和預測的不確定性

• 從信息流中識別隱藏的模式

• 理解模型的局限性

• 理解數學證明及其背後的抽象邏輯

數據科學，就其本質而言，並不局限於某一特定的學科領域，它可以處理各種各樣的現象，如癌症診斷和社會行為分析。這就產生了令人眼花繚亂的n維數學對象數組、統計分布、優化目標函數等的可能性。

函數、變數、方程和圖形

這一領域的數學涵蓋了基礎，從方程的二項式定理和一切之間：

• 對數，指數，多項式函數，有理數

• 基本幾何和定理，三角恆等式

• 實數和復數，基本性質

• 系列、金額、不平等

• 作圖和繪圖，笛卡爾坐標和極坐標，圓錐截面

可能用到的地方

如果您想了解在對百萬條目的資料庫進行排序之後，搜索是如何更快地運行的，那麼您將會遇到「二分查找」的概念。要理解它的機制，你需要理解對數和遞歸方程。或者，如果你想分析一個時間序列，你可能會遇到「周期函數」和「指數衰減」這樣的概念。

統計數據

掌握統計和概率的基本概念的重要性怎麼強調都不過分。該領域的許多實踐者實際上認為經典（非神經網路）機器學習只不過是統計學習。有重點的規劃對於涵蓋最基本的概念至關重要：

• 數據匯總和描述性統計，集中趨勢，方差，協方差，相關性

• 基本概率：期望，概率微積分，貝葉斯定理，條件概率

• 概率分布函數：均勻、正態、二項式、卡方、中心極限定理

• 采樣，測量，誤差，隨機數生成

• 假設檢驗，A/B檢驗，置信區間，p值

• 方差分析、t檢驗

• 線性回歸，正規化

如果你已經掌握了這些概念，你將很快給人留下深刻印象。作為一名數據科學家，你幾乎每天都會用到它們。

線性代數

這是數學的一個基本分支，用來理解機器學習演算法如何在數據流上工作。從QQ上的好友推薦，到酷狗上的歌曲推薦，再到用深度轉移學習將你的自拍照轉換成薩爾瓦多·達利式的肖像，所有這些都涉及到矩陣和矩陣代數。以下是需要學習的基本數學：

• 矩陣和向量的基本性質：標量乘法，線性變換，轉置，共軛，秩，行列式

• 內積和外積，矩陣乘法規則和各種演算法，矩陣逆

• 特殊矩陣：方陣，單位矩陣，三角矩陣，單位向量，對稱矩陣，厄米矩陣，斜厄米矩陣和酉矩陣

• 矩陣分解概念/LU分解，高斯/高斯-約當消去，解Ax=b線性方程組的方程

• 向量空間，基底，空間，正交性，正交性，線性最小二乘法

• 特徵值，特徵向量，對角化，奇異值分解

如果你用過降維技術（主成分分析），那麼你可能已經使用奇異值分解以更少的參數實現了數據集的緊湊維數表示。所有的神經網路演算法都使用線性代數技術來表示和處理網路結構和學習操作。

微積分

不管你在大學里喜歡還是討厭它，微積分在數據科學和機器學習中都有很多應用。這是一項極有價值的技能：

• 函數的單變數、極限、連續性、可微性

• 中值定理，不定式，洛必達法則

• 最大值和最小值

• 乘積與鏈式法則

• 泰勒級數，無窮級數求和/積分的概念

• 積分學的基本定理和中值定理，定積分和反常積分的計算

• 函數

• 多元函數，極限，連續性，偏導數

• 常微分方程和偏微分方程基礎

想知道邏輯回歸演算法是如何實現的嗎？它很有可能使用一種叫做「梯度下降」的方法來尋找最小損失函數。要理解它是如何工作的，您需要使用微積分的概念：梯度、導數、極限和鏈式法則。

離散數學

這一領域在數據科學中並不常見，但所有現代數據科學都是在計算系統的幫助下完成的，而離散數學是這些系統的核心。

• 集合，子集

• 計數函數，組合學，可數性

• 基本的證明技巧:歸納法、反證法

• 歸納、演繹和命題邏輯的基礎

• 基本數據結構：堆棧、隊列、圖形、數組、哈希表、樹

• 圖的性質：連接的組成部分，程度，最大流量/最小切割的概念，圖著色

• 遞推關系與方程

在任何社會網路分析中，你需要知道一個圖的屬性和快速演算法來搜索和遍歷網路。在任何演算法的選擇中，你都需要理解時間和空間的復雜性。

優化和運營研究課題

這些主題在理論計算機科學、控制理論或操作研究等專業領域最為相關。但是對這些強大技術的理解也可以在機器學習的實踐中取得豐碩的成果。實際上，每一種機器學習演算法的目標都是使受各種約束的某種估計誤差最小化，這是一個優化問題。以下是需要學習的數學：

• 優化的基礎，如何制定問題

• 極大值，極小值，凸函數，全局解

• 線性規劃，單純形演算法

• 整數規劃

• 約束規劃，背包問題

使用最小二乘損失函數的簡單線性回歸問題通常有精確的解析解，但是邏輯回歸問題沒有。要理解其中的原因，您需要熟悉優化中的「凸性」概念。這一系列的研究也將闡明為什麼我們必須對大多數機器學習問題的「近似」解決方案保持滿意。

雖然有很多東西要學習，網上有很好的資源。在復習這些主題和學習新概念之後，你將有能力在日常數據分析和機器學習項目中聽到隱藏的「音樂」。這是成為一個了不起的數據科學家的巨大飛躍。

想了解更多精彩內容，快來關注老胡說科學

⑵ 離散數學（第二版）課後答案

《離散數學學習指導與習題解析（第2版）》是2015年出版的《離散數學》（第2版）的配套教學參考書，與主教材做了同步更新。《離散數學學習指導與習題解析（第2版）》分為數理邏輯、集合論、代數結構、組合數學、圖論、初等數論6個部分。每部分按章對相關知識點進行了*面的總結，並對解題方法進行了系統的分析和闡述。各章都按照內容提要，基本要求，習題課，習題、解答或提示，小測驗進行組織，並在*後給出了4套綜合性的模擬試題，*書包含各種練習題上千道。