講一下自己的慘痛經歷！三個方面：

1、數學？不存在的，老子只學專業課！

2、數學？不學不行，老子還得去補一下！

3、數學？不僅僅要學，還要深入學！

1、數學？不存在的，老子只學專業課！

學習之初，很多人都會有這樣的困惑。包括我在內，我想學計算機專業，老師你就直接單槍直入，教我專業性的東西啊，光教一些跟程式設計八竿子打不著的數學幹啥？！

這樣導致的一個結果就是，每次基礎學科考試總是應付了事，抱著能過能及格的心態一路走來，不遇坎坷就一直坐著自由落體的運動！

2、數學？不學不行，老子還得去補一下！

我學習資料結構和演算法時，總感覺自己用起來沒有得心應手的感覺，做一些演算法優化的時候，基本上也是隻能現搬書裡的演算法，遇到不太一樣的問題，就不知道怎麼解決了。就比如那些什麼排序，快速排序堆排序希爾排序。。。只能記住他們的時間複雜度和空間複雜度和寫法，卻從來不知道這些演算法是怎麼設計出來的，這些演算法為什麼是正確。

於是開始不斷地翻看演算法相關的書籍，原因正是數學基礎不好，因為沒有從根基上了解其原理，所以學習起來總感覺自己在中間飄著。

其實無論我們以後是學習哪一門程式語言，或者說要學習大資料、人工智慧等，數學是一個很重要的學科。

3、數學？不僅僅要學，還要深入學！

計算機歸根到底在cpu執行的都是指令操作，每個指令最終都是靠0101二進位制來儲存和解析，這就是數學裡面最基本的東西。所以說，計算機和數學密不可分。

舉例說明：

歸納證明法和遞迴程式設計的關係非常緊密，你不理解其中一個，就不可能真正理解另外一個。你可能不知道術語基本情況和歸納假設，但是如果你不能理解這些概念，你就沒有辦法寫 出正確的遞迴程式。所以，即使是在與數學無關的領域內，不理解這些數學概念的程式設計師也會遇到很多困難。 優化方法取決於函式的形式，從目前看，最優化方法通常是基於微分、導數的方法，例如梯度下降、爬山法、最小二乘法、共軛分佈法等。 還有線性代數中的矩陣、轉置、秩 分塊矩陣、向量、正交矩陣、向量空間、特徵值與特徵向量等在資料分析中都有很大的關係。

綜上：如果想要在IT行業技術上有突破深入發展，還是要深入學習數學的。不能說你為了學程式設計就是寫點應用邏輯，這樣多沒意思。什麼編譯器，作業系統，瀏覽器，資料庫，遊戲引擎，大學期間都可以自己試試造輪子寫一寫，學習過程中不要老是用別人的API，老是用別人寫的庫，要度嘗試自己寫核心，雖然一開始可能會很爛，但畢竟能讓自己學到東西不是？