❶ 計算機編程需要用到什麼水平的數學
如果光是「編程」，未必要用到多麼高深數學知識，大部分都是一些「邏輯思路」，除非是編寫一個數學相關的程序。
它們說的學計算機要求數學好，那是指做「理論研究」方面的東西了，比如計算機原理，設計演算法之類的。
如果只是單單編程一項的話，未必用的了多麼高深的數學知識，大部分時候都不需要數學知識。
但是你如果想把計算機學的很深入的話，高等數學還不夠看，只能做為入門的基礎，然後去研究數論，離散數學。。。之類的，大部分人都沒這么深入地研究計算機。
❷ 學習編程需要會哪些數學知識
個人觀點：編程，無論是用低級的匯編、C語言還是現在的OOP語言，與《數字電路》和《離散數學》關系不是太大。這兩門號稱計算機學科的基礎，實際上是用於研究計算機的組成原理、架構之類的「深層次」科目。而編程的話，你只要了解語言的基本語句結構、能將問題分解成模塊關用語言描述之就可以了。要說與邏輯的關系吧，也有，編程的時候經常用到邏輯判斷以發展程序走向，這是與數學運算不相同的。
❸ 程序員必備的一些數學基礎知識
作為一個標準的程序員，應該有一些基本的數學素養，尤其現在很多人在學習人工智慧相關知識，想抓住一波人工智慧的機會。很多程序員可能連這樣一些基礎的數學問題都回答不上來。
作為一個傲嬌的程序員，應該要掌握這些數學基礎知識，才更有可能碼出一個偉大的產品。
向量 向量（vector）是由一組實數組成的有序數組，同時具有大小和方向。一個n維向量a是由n個有序實數組成，表示為 a = [a1, a2, · · · , an]
矩陣
線性映射 矩陣通常表示一個n維線性空間v到m維線性空間w的一個映射f: v -> w
註：為了書寫方便， X.T ，表示向量X的轉置。 這里： X(x1,x2,...,xn).T，y(y1,y2,...ym).T ，都是列向量。分別表示v,w兩個線性空間中的兩個向量。A(m,n)是一個 m*n 的矩陣，描述了從v到w的一個線性映射。
轉置 將矩陣行列互換。
加法 如果A和B 都為m × n的矩陣，則A和B 的加也是m × n的矩陣，其每個元素是A和B相應元素相加。 [A + B]ij = aij + bij .
乘法 如A是k × m矩陣和B 是m × n矩陣，則乘積AB 是一個k × n的矩陣。
對角矩陣 對角矩陣是一個主對角線之外的元素皆為0的矩陣。對角線上的元素可以為0或其他值。一個n × n的對角矩陣A滿足： [A]ij = 0 if i ̸= j ∀i, j ∈ {1, · · · , n}
特徵值與特徵矢量 如果一個標量λ和一個非零向量v滿足 Av = λv, 則λ和v分別稱為矩陣A的特徵值和特徵向量。
矩陣分解 一個矩陣通常可以用一些比較「簡單」的矩陣來表示，稱為矩陣分解。
奇異值分解 一個m×n的矩陣A的奇異值分解
其中U 和V 分別為m × m和n×n 的正交矩陣，Σ為m × n的對角矩陣，其對角 線上的元素稱為奇異值（singular value）。
特徵分解 一個n × n的方塊矩陣A的特徵分解（Eigendecomposition）定義為
其中Q為n × n的方塊矩陣，其每一列都為A的特徵向量，^為對角陣，其每一 個對角元素為A的特徵值。 如果A為對稱矩陣，則A可以被分解為
其中Q為正交陣。
導數 對於定義域和值域都是實數域的函數 f : R → R ，若f(x)在點x0 的某個鄰域∆x內，極限
存在，則稱函數f(x)在點x0 處可導， f'(x0) 稱為其導數，或導函數。 若函數f(x)在其定義域包含的某區間內每一個點都可導，那麼也可以說函數f(x)在這個區間內可導。連續函數不一定可導，可導函數一定連續。例如函數|x|為連續函數，但在點x = 0處不可導。
加法法則
y = f(x),z = g(x) 則
乘法法則
鏈式法則 求復合函數導數的一個法則，是在微積分中計算導數的一種常用方法。若 x ∈ R，y = g(x) ∈ R，z = f(y) ∈ R ，則
Logistic函數是一種常用的S形函數，是比利時數學家 Pierre François Verhulst在 1844-1845 年研究種群數量的增長模型時提出命名的，最初作為一種生 態學模型。 Logistic函數定義為：
當參數為 (k = 1, x0 = 0, L = 1) 時，logistic函數稱為標准logistic函數，記 為 σ(x) 。
標准logistic函數在機器學習中使用得非常廣泛，經常用來將一個實數空間的數映射到(0, 1)區間。標准 logistic 函數的導數為：
softmax函數是將多個標量映射為一個概率分布。對於 K 個標量 x1, · · · , xK ， softmax 函數定義為
這樣，我們可以將 K 個變數 x1, · · · , xK 轉換為一個分布： z1, · · · , zK ，滿足
當softmax 函數的輸入為K 維向量x時，
其中，1K = [1, · · · , 1]K×1 是K 維的全1向量。其導數為
離散優化和連續優化 :根據輸入變數x的值域是否為實數域，數學優化問題可以分為離散優化問題和連續優化問題。
無約束優化和約束優化 :在連續優化問題中，根據是否有變數的約束條件，可以將優化問題分為無約束優化問題和約束優化問題。 ### 優化演算法
全局最優和局部最優
海賽矩陣
《運籌學裡面有講》，前面一篇文章計算梯度步長的時候也用到了： 梯度下降演算法
梯度的本意是一個向量（矢量），表示某一函數在該點處的方向導數沿著該方向取得最大值，即函數在該點處沿著該方向（此梯度的方向）變化最快，變化率最大（為該梯度的模）。
梯度下降法
梯度下降法（Gradient Descent Method），也叫最速下降法（Steepest Descend Method），經常用來求解無約束優化的極小值問題。
梯度下降法的過程如圖所示。曲線是等高線（水平集），即函數f為不同常數的集合構成的曲線。紅色的箭頭指向該點梯度的反方向（梯度方向與通過該點的等高線垂直）。沿著梯度下降方向，將最終到達函數f 值的局部最優解。
梯度上升法
如果我們要求解一個最大值問題，就需要向梯度正方向迭代進行搜索，逐漸接近函數的局部極大值點，這個過程則被稱為梯度上升法。
概率論主要研究大量隨機現象中的數量規律，其應用十分廣泛，幾乎遍及各個領域。
離散隨機變數
如果隨機變數X 所可能取的值為有限可列舉的，有n個有限取值 {x1, · · · , xn}, 則稱X 為離散隨機變數。要了解X 的統計規律，就必須知道它取每種可能值xi 的概率，即
稱為離散型隨機變數X 的概率分布或分布，並且滿足
常見的離散隨機概率分布有：
伯努利分布
二項分布
連續隨機變數
與離散隨機變數不同，一些隨機變數X 的取值是不可列舉的，由全部實數 或者由一部分區間組成，比如
則稱X 為連續隨機變數。
概率密度函數
連續隨機變數X 的概率分布一般用概率密度函數 p(x) 來描述。 p(x) 為可積函數，並滿足：
均勻分布 若a, b為有限數，[a, b]上的均勻分布的概率密度函數定義為
正態分布 又名高斯分布，是自然界最常見的一種分布，並且具有很多良好的性質，在很多領域都有非常重要的影響力，其概率密度函數為
其中， σ > 0，µ 和 σ 均為常數。若隨機變數X 服從一個參數為 µ 和 σ 的概率分布，簡記為
累積分布函數
對於一個隨機變數X，其累積分布函數是隨機變數X 的取值小於等於x的概率。
以連續隨機變數X 為例，累積分布函數定義為：
其中p(x)為概率密度函數，標准正態分布的累計分布函數:
隨機向量
隨機向量是指一組隨機變數構成的向量。如果 X1, X2, · · · , Xn 為n個隨機變數, 那麼稱 [X1, X2, · · · , Xn] 為一個 n 維隨機向量。一維隨機向量稱為隨機變數。隨機向量也分為離散隨機向量和連續隨機向量。 條件概率分布 對於離散隨機向量 (X, Y) ，已知X = x的條件下，隨機變數 Y = y 的條件概率為：
對於二維連續隨機向量(X, Y )，已知X = x的條件下，隨機變數Y = y 的條件概率密度函數為
期望 對於離散變數X，其概率分布為 p(x1), · · · , p(xn) ，X 的期望（expectation）或均值定義為
對於連續隨機變數X，概率密度函數為p(x)，其期望定義為
方差 隨機變數X 的方差（variance）用來定義它的概率分布的離散程度，定義為
標准差 隨機變數 X 的方差也稱為它的二階矩。X 的根方差或標准差。
協方差 兩個連續隨機變數X 和Y 的協方差（covariance）用來衡量兩個隨機變數的分布之間的總體變化性，定義為
協方差經常也用來衡量兩個隨機變數之間的線性相關性。如果兩個隨機變數的協方差為0，那麼稱這兩個隨機變數是線性不相關。兩個隨機變數之間沒有線性相關性，並非表示它們之間獨立的，可能存在某種非線性的函數關系。反之，如果X 與Y 是統計獨立的，那麼它們之間的協方差一定為0。
隨機過程（stochastic process）是一組隨機變數Xt 的集合，其中t屬於一個索引（index）集合T 。索引集合T 可以定義在時間域或者空間域，但一般為時間域，以實數或正數表示。當t為實數時，隨機過程為連續隨機過程；當t為整數時，為離散隨機過程。日常生活中的很多例子包括股票的波動、語音信號、身高的變化等都可以看作是隨機過程。常見的和時間相關的隨機過程模型包括貝努力過程、隨機遊走、馬爾可夫過程等。
馬爾可夫過程 指一個隨機過程在給定現在狀態及所有過去狀態情況下，其未來狀態的條件概率分布僅依賴於當前狀態。
其中X0:t 表示變數集合X0, X1, · · · , Xt，x0:t 為在狀態空間中的狀態序列。
馬爾可夫鏈 離散時間的馬爾可夫過程也稱為馬爾可夫鏈（Markov chain）。如果一個馬爾可夫鏈的條件概率
馬爾可夫的使用可以看前面一篇寫的有意思的文章： 女朋友的心思你能猜得到嗎？——馬爾可夫鏈告訴你 隨機過程還有高斯過程，比較復雜，這里就不詳細說明了。
資訊理論（information theory）是數學、物理、統計、計算機科學等多個學科的交叉領域。資訊理論是由 Claude Shannon最早提出的，主要研究信息的量化、存儲和通信等方法。在機器學習相關領域，資訊理論也有著大量的應用。比如特徵抽取、統計推斷、自然語言處理等。
在資訊理論中，熵用來衡量一個隨機事件的不確定性。假設對一個隨機變數X（取值集合為C概率分布為 p(x), x ∈ C ）進行編碼，自信息I(x)是變數X = x時的信息量或編碼長度，定義為 I(x) = − log(p(x)), 那麼隨機變數X 的平均編碼長度，即熵定義為
其中當p(x) = 0時，我們定義0log0 = 0 熵是一個隨機變數的平均編碼長度，即自信息的數學期望。熵越高，則隨機變數的信息越多；熵越低，則信息越少。如果變數X 當且僅當在x時 p(x) = 1 ，則熵為0。也就是說，對於一個確定的信息，其熵為0，信息量也為0。如果其概率分布為一個均勻分布，則熵最大。假設一個隨機變數X 有三種可能值x1, x2, x3，不同概率分布對應的熵如下：
聯合熵和條件熵 對於兩個離散隨機變數X 和Y ，假設X 取值集合為X；Y 取值集合為Y，其聯合概率分布滿足為 p(x, y) ，則X 和Y 的聯合熵（Joint Entropy）為
X 和Y 的條件熵為
互信息 互信息（mutual information）是衡量已知一個變數時，另一個變數不確定性的減少程度。兩個離散隨機變數X 和Y 的互信息定義為
交叉熵和散度 交叉熵 對應分布為p(x)的隨機變數，熵H(p)表示其最優編碼長度。交叉熵是按照概率分布q 的最優編碼對真實分布為p的信息進行編碼的長度，定義為
在給定p的情況下，如果q 和p越接近，交叉熵越小；如果q 和p越遠，交叉熵就越大。
❹ 程序開發需要有數學基礎嗎
如果只是編寫代碼（碼農），不需要太多。如果想搞好，那還是需要許多數學知識的，如代數、數理邏輯、組合數學、概率統計、數學模型等等。
❺ 程序員需要怎樣的數學基礎
LZ不要杞人憂天了，那些說數學重要的，首先數學你會嗎？數學包含的范疇太多了，常見的有高等幾何 微積分 線性代數 概率論 離散數學 數論 圖論等等你指的是具體哪一樣呢？就算是前人科學巨匠泰鬥牛頓，毆幾里德，愛因斯坦，他也只是擅長自己從事的那領域，要說所有數學領域都精通我想他們也不敢吹這樣的牛逼。
所以對大多數人來說，在數學方面都不太可能取得什麼很深的造詣。等到你所謂的把數學學好，那鬍子都快白完了，數學是又深奧又費解學習成本巨大需要耗費大量時間學完不用立馬就忘的學科。所以說數學重要，先問問你自己能不能學會。
其次，計算機學科跟數學根本就不是一門學科， 包含內容極其有限。計算機編程有自己的理論知識體系，很多跟數學關系不大。學好編程尤其對新手來說最重要的是對你學的編程語言的熟練運用和工具SDK的爛熟於心。每個語言都有自己獨特的設計理念，不存在什麼好學的編程語言。
所以說，題主， 你想得太遠了。軟體開發需要用到的知識比數學重要的太多了。拋開計算機不說，英語比起數學的重要性就大的多的多。英語不好你看不懂函數API說明你一切就是白瞎。而數學對於大多數人來說是最難學也是最不重要的知識，基本上是學了就忘忘了就扔扔了也沒感覺的那種，很多搞編程的可能一輩子也用不到數學知識。為什麼？理解C++的指針和多態需要數學嗎？一個復雜的系統架構也不需要半點數學知識，而你就是看不懂。
還有就是程序調試技術，很多IDE給出的出錯語句非常費解，什麼指針為空，數組越界，內存溢出，SDK找不到， 你沒經驗時打死你也看不懂你的編程工具提示的是什麼。這時你那高大上的數學真是P用沒有，它能幫你排查錯誤找出程序崩掉的原因嗎？我看不行吧，你還是得到論壇網路去問人家這些基本的問題。
在你擔心數學好不好之前，你更應該關心編程環境怎麼搭建，連IDE都搞不定不知道程序怎麼跑起來你還搞什麼呀，下一步就是程序基本的語法和SDK庫函數的掌握，基本SDK都不知道什麼意思怎麼去用，如字元串函數，文件讀寫和資料庫常用操作，這些你都不會你還有學下去的必要嗎？還有更重要的更基本的程序調試技術，程序老出錯老崩潰怎麼辦呀，哪裡變數為空了內存寫錯了？為什麼程序老編不過去呀，誰能幫幫我呀!!!這個時候你發現那牛逼的數學知識真是屁用沒有，你還是感嘆自己基本功底不行經驗太少，這個時候打死你也不會再關心數學好不好的問題了。
如果說用到數學的大概只有3D游戲引擎，很智能的人工智慧，如格鬥游戲的電腦應對玩家的復雜AI，生化危機中僵屍怪物的配合商量運用策略包抄玩家和記憶功能，還有航空航天領域這樣高精尖技術學科才會用到復雜一點的數學知識。而這些都是計算機專家才要掌握的內容。所以題主你是想多了，還是先關心下自己程序為什麼編不過老是報錯的問題吧
❻ 作為一名合格的程序員，請問需要掌握哪些數學知識，學到什麼樣的水平
程序員的知識是多方面的， 數學方面至少高等數學大專以上文化程度，概率統計,數字邏輯運算方面的知識，主要就是做哪一方面的程序設計，有些學過的可能長期也不用，搞科學研究的、游戲、智能軟體開發、安全方面的要求就高一些，沒有一定數學基礎有些演算法書就讀不懂，搞社會一般應用的要求相對較低一些，這些只是常識，程序員關鍵一點把一門課及相關知識精通，可以把用戶提出的問題很快的自己能夠理解，轉換成計算機處理方式，成為軟體或網站，而且和用戶的需求基本一致。當然有些人的數學水平並不高，設計出的軟體人人愛用，水平很高，程序員的知識包括數學方面的知識也在不斷充實更新中。
❼ 一個高級程序員所需要掌握的數學知識是多少
高級程序員最需要的數學知識：
算術：二進制、十進制、十六進制之間熟練轉換
邏輯知識：與、或、非、空等各種運算
概率與統計：各種報表的編制開發，數據使用挖掘等等都需要
❽ 程序員應具備怎樣得數學基礎
看你要做什麼樣的程序員。
如果就是一般的做計算機軟體的程序員，幾乎不需要什麼數學基礎，當然，如果你有一些離散數學的基礎是最好不過了。
但如果你要做計算機特殊領域的程序員，比如，人工智慧，模式識別，數據加密，數據壓縮，數字圖像等等，那就需要相關的數學基礎了，包括微積分、線性代數、概率論、統計學、數論等等。
蓋茨曾經說過，不要過分誇大數學對軟體的重要性。
❾ 學編程需要什麼基礎知識
學編程需要以下基礎知識：
1、數學基礎。從計算機發展和應用的歷史來看，計算機的數學模型和體系結構等都是有數學家提出的，最早的計算機也是為數值計算而設計的。因此，要學好計算機就要有一定的數學基礎，初學者有高中水平就差不多了。
2、邏輯思維能力的培養。學程序設計要有一定的邏輯思維能力，邏輯思維能力的培養要長時間的實踐鍛煉。要想成為一名優秀的程序員，最重要的是掌握編程思想。要做到這一點必須在反復的實踐、觀察、分析、比較、總結中逐漸地積累。
3、要有一定的編程思想。學習一門語言或開發工具，語法結構、功能調用是次要的，最主要是學習它的思想。
學會編程語言，可以從事軟體工程師，就目前而言，軟體工程師就業前景一片大好，我國仍然還存在很大的軟體開發人才缺口，並且以每年20%左右的速度增長。編程語言發展前景如此好，已經成為多數同學心中理想的職業。
想了解更多有關學習編程的詳情，推薦咨詢達內教育。達內教育是引領行業的職業教育公司，致力於面向IT互聯網行業，培養軟體開發工程師、系統管理員、UI設計師、網路營銷工程師、會計等職場人才，擁有強大的師資力量，實戰講師對實戰經驗傾囊相授，部分講師曾就職於IBM、微軟、Oracle-Sun、華為、亞信等企業，其教研團隊更是有獨家26大課程體系，助力學生系統化學習，同時還與各大高校進行合作，助力學生職業方向的發展。
感興趣的話點擊此處，免費學習一下
❿ 學編程需要精通數學中的哪些知識
我來說兩句，第一，程序其實就是一道一道的數學題，當然，如果你搞的是普通的WEB開發什麼的，這些東西都不重要，但是做大型軟體和搞科學研究的話，演算法對一個程序來說至關重要，舉個粒子，對20萬個數據進行排序，不同的排序演算法的運行時間是不一樣的，用最垃圾的演算法可能要跑上好幾天才能算出來，用好的演算法可能幾分鍾就能搞定，而演算法的研究是要有著深厚的數學基礎的。
第二，講一講應該學哪些數學知識，我是大學生，所以就從大學的角度來講吧，首先大學里的基礎課程高等數學是必須的，這可能對於你寫演算法來說沒有什麼太直接的關系，但是，你要記住，高等數學是最基本的東西，裡面的很多概念性的東西都是編寫程序相關的，是你學其他幾門數學課程的基礎。第二，線性代數，這們課在工科專業一般都開，很重要，尤其講到的舉矩陣、集合等等，是你以後在程序開發中能直接用到的，而且，線性代數里一些問題的解決方式能很大程度地活躍你的思維。第三，離散數學，離散數學是計算機和軟體工程專業必學的課程，和計算機程序直接相關，舉例來說，你在設計一條資料庫的SQL語句進行聯表查詢， 你可以直接寫上一大串來實現你的查詢，但如果你能用離散數學里學到的邏輯推理和範式對你的SQL語句進行簡化，那麼你的SQL語句查詢速度可能會有上百倍的提升。
第四，有興趣可以學一學組合數學，我也正在看這方面的書，這是研究生的課程之一，但提前學一學還是很有好處的，裡面很多結論、推理都會讓你受益非淺，學好了這門數學，你的程序質量將上升到另外一個高度。
就說這些吧，總之，學軟體開發的人必須要學數學，不但要學，還要學很多。
很多人都在說中國程序員30以後就幹不了了，為什麼，不是幹不了，是干不動了，因為太多的新東西要學，而且學著很費力，為什麼，因為基礎不好，所以學什麼都不行，我想提高自己的數學素質一定會改變這一現狀。
不說了，接分！