麻省理工公开课整理成电子版如何
大学微积分高数课听不懂，如何更好更快的解决这个问题？
大学微积分高数课听不懂，如何更好更快的解决这个问题？
微积分不算很难，只要认真基本上能学好。首先把该记住的公式背熟，最好自己动手把公式的推导反复做几遍，明白公式的来历和出处后，有助于记忆。
思想上不要认为高数难学，造成心理障碍，数学的逻辑性很强，环环紧扣容易让人觉得枯燥乏味，其实数学是很有趣味的，关键是一定要真正的爱上数学，当我们沉浸在其中的时候，就能领悟到数学的乐趣。
学习数学要建立数学思维，就是理性思维和整体思维，有时候我们的答案出错，并不是数学运算错误，大家已经开始学习高等数学了，我相信基本的代数和几何知识还是过关的，只是我们考虑问题不够全面，高数不会单独考一个知识点，它会同时考好几个知识点，主要是看大家综合考虑解决问题的能力，比如一道求导题，可能是包涵指数函数和幂函数的复合体，需要把每一步都考虑到，如果思路不周全，丢掉一步就会出错。刚开始学高数时，很多人都会犯这种错误，不要心焦不要自怨自艾，觉得自己很笨，总是做不对题，这个时候需要树立信心多做题，把课本上的例题背下来，因为例题一般比较经典，比较有针对性，背下来反复琢磨可以提高解题技巧。
大概经过一个月的煎熬，大部分学生都建立起理性思维和整体思维，开始走入正规，就不会觉得高数难学了。这时候要有针对性的多找些综合性强的题来做，以便提高自己的数学水平。高等数学是许多学科的基础和工具，以后我们遇到实际问题，最有效最科学的解决方法是建立数学模型，当问题量化变成数学问题时，解决起来就方便简单多了。大家一定要学好《高等数学》，这不光对自己进一步发展深造有利，而且对以后解决实际问题也有好处。
请问学习数据挖掘、机器学习、人工智能分别用什么书好？
2012年初，因为小米的横空出世，拉动了中国的廉价智能机的普及，传统互联网时代网络终端成本较高的特点被门槛较低的移动终端替代，中国大踏步地进入移动互联网时代，互联网在中国成为超级大热，互联网行业相关技术也成为所有技术的超级香饽饽。这几年我们说的最多的热词有过物联网、有过大数据、有过云计算，有过O2O也有过内容分发，也有过新零售，但是这么多新的业务方向，新的技术方向，但是人工智能几乎是学界、工业界都一致推崇的话题。在Google、Microsoft、百度等企业开始在人工智能大势投入以后，越来越多例如机器学习、深度学习、语音识别、视觉识别、神经网络等等人工智能热词受到最火热的追捧，就好像前两年说O2好像一样，这个时代，不说人工智能好像都有点意外了。
虽然问题问的是学习人工智能等的书籍，但是笔者会把好的书籍和好的教程、以及好的学习框架都推荐给对人工智能感兴趣的同学，希望对大家学习和工作有帮助。
首先说两本书
毫无疑问，对于人工智能的学习，有一本书你是不能忽略的，这本书就是深度学习。这本书首先来自于几位人工智能领域的顶尖科学家、教授在网上的一个在线电子书项目，感谢这些伟大的教授、科学家把最新、最权威的教程、成果分享给大家，再次感谢Ian Goodfellow、Yoshua Bengio、Aaron Courville三位伟大的科学家。
当然《deep learning》这本书要注意的是，虽然这本质上是一门入门的课程，但是不得不说你需要一定的基础知识，比如如果你有较好的数学基础、一定的算法基础会让你事半功倍，我相信这应该算是目前最好的深度学习的书籍了。除此之外，Tom 教授的《机器学习》这本书也是一本很好的书籍，也值得一看。除此之外，人工智能虽然处于偏上层的技术，但本质上还是属于基础理论研究领域，所以建议对人工智能感兴趣的同学，可以去看一下基础的数学、算法方面的书籍，这对于学习人工智能将是很重要的一些储备。
接着来说一些经典的课程
学习人工智能最好的办法无非就是能够跟着一些业界最顶尖最出色的德高望重的教授学习，在这些教授面前，无疑能够学到更多更顶尖的技术，学到更多的研究方法学上的系统方法。当然对于大多数人，很显然不是每个人都能有机会成为例如约翰麦卡锡，高德纳，以及现在人工智能领域，例如Geoffrey Hinton教授、吴恩达教授这样顶尖教授的关门弟子，毕竟能上斯坦福、麻省理工的同学是少数，但是随着mooc的出现，不用去名校读书，你也可以通过mooc平台来学习这些课程。
毫无疑问，首先要推荐的是吴恩达教授的深度学习课程，这也是很好的人工智能入门课程，吴恩达教授的《深度学习》课程非常好，这个课程可以在Coursera和网易云课堂上看到。除此之外，恩达教授早期的《机器学习》课程也可以在网易公开课上去学习，这是斯坦福早期很著名的人工智能课程，恩达博士的课程风格笔者很喜欢，总是能够深入浅出，用最简单的模型讲清楚最复杂的问题，深度学习这门课程就是这样，以一个简单的租房模型就引入了神经网络的概念，讲得非常好，极力推荐大家去学习。
第二门课程是来自神经网络界的泰斗级别的人物Geoffrey Hinton老先生的mooc课程，老显示毫无疑问是深度学习的泰斗，神经网络之父，一步步把深度学习从一门边缘课程，变成了学界最热的学科，成为Google、Microsoft等顶尖科技公司人工智能的核心支柱。老先生的《Neutral Network for Machine Learning》这门课程，大家可以去cousera上看到这门著名的课程。
除此之外，来自斯坦福的李飞飞教授的深度学习-视觉识别课程CS231N，麻省理工的人工智能6.034课程都是属于很经典的课程，都是很值得学习的。
最后在推荐一些很好的开源的人工智能学习框架
毫无疑问，Google的tensor flow绝对是目前最热、最好的人工智能学习框架之一。tensor flow的特点是N维数组、数据流图，这算是其最大的特点之一。
这里给出了一些主流的人工智能框架的一些比较方法，当然这个数据不一定是最新的，需要大家去看一些官方的文档，自己去安装部署学习一下。除此之外CNTK和keras也是很优秀的学习框架，希望大家选择自己喜欢、上手快的框架去学习，就笔者的建议说，工具本身并不是问题，适合自己的才是最好的。
不管是学习什么技术，不管是学习一门新的程序语言，学习更多的数学、算法知识，抑或是学习更多的类似于人工智能、操作系统、编译原理等等偏理论研究的课程，坚持和不断的实践永远是最重要的。所以，希望大家有这方面学习想法的同学不要犹豫，赶紧去寻找相应的课程、书籍开始学习吧。希望大家不管是为了真正学习工作，还是仅仅只是为了兴趣，希望大家都可以长足学习，坚持学习！