值得听的课程 or 提前选课
- 已编辑
”想的太多，做的太少“
lz看到这句话虎躯一震，好像确实是这么回事，以后还是老老实实深入了解几门课吧，总不能老是这样投机取巧，后面我上到一些课就来这个贴写点经验罢了。
- 已编辑
排除数理课程和专业课的话（虽然有些课程的确很好，但这些内容不是每个人都感兴趣），我觉得梁永安的课是值得一听的，他本人在网上也有账号，可以看看风格自己是否喜欢。评课社区推荐的某些老师的近代史和马原也可以努力去选上，反正是必修，在其实老师那里坐牢不如选个有水平的老师。
听课和学习不局限于科大，也不限于课堂。每个学校可能都有那么几个好老师，网上的好课更多，可以涵盖理工医文商法艺。有的时候恨不得把它们全部听一遍。
好的老师和一般的老师给人的收获实在是差距巨大，也让我养成了学习某个知识之前先收集教学资料的习惯。评课社区也是一个好材料来源。
为理想远航 不太, 数学分析, 线性代数, 拓扑学, 一点点近世代数.
haruka21 最理论物理的一集
卢征天老师 现代原子物理 盛东老师 现代原子分子物理导论
张扬 量子力学C，别看是C，它只是期末开卷考而已，课上以老师自己的手写讲义为主，以狄拉克为参考教材。对非物理专业的人来讲还是比较系统而简明的量力课。
只是作业有点难…
问下茶馆各位，怎么判断自己应不应该提前修读课程啊？然后数院这方面大一下有什么可以提前修的课吗？
- 已编辑
我也觉得专业选修课有意思，不然当初也不会选这个专业
光学方向的话，非常推荐近代光学基础，这门课在黄坤老师的改革下已经变得非常Nice了，能同时打好理论与Matlab模拟的基础，非常适合想要进实验室的大二同学o(￣︶￣)o
而且黄老师有时会邀请一些大佬来做讲座，很多人靠这个机会混到暑研了（比如俺）
有没有学长/学姐选过陈力老师的矩阵分析与应用，这门课的课程定位如何，这学期想旁听一下
- 已编辑
白日梦蓝 属于拿着deepseek就可以自学的课程，课程本身没有难理解的地方。可能是为现代控制理论做数学方面的铺垫。不过现代控制理论，emmm，如果回到20年前，是个热门点，10年前还行。在今天ai触角无处不在的今天，到现在，可能有些单薄。cs或者ds的课程对于矩阵本身的分析要求偏低，对于矩阵而言更多的是一种表达，更多强调对于如何运用矩阵来方便表示。不同学科对于矩阵的的应用点也不同。
但老师人很好，想学可以认真听讲，不想学摆烂也值得。
deepseek对于机器人动力学方面矩阵知识的回答：
机器人动力学中常用的经典矩阵包括：
质量矩阵（Mass Matrix, M）
- 描述机器人各关节的质量和惯性分布，用于计算加速度与力的关系。
科里奥利力和离心力矩阵（Coriolis and Centrifugal Matrix, C）
- 描述机器人运动中的科里奥利力和离心力效应，与关节速度和位置相关。
重力矩阵（Gravity Vector, G）
- 描述重力对机器人各关节的影响，与机器人构型和重力加速度相关。
雅可比矩阵（Jacobian Matrix, J）
- 描述机器人末端执行器的速度与关节速度之间的关系，用于运动学和力的映射。
刚度矩阵（Stiffness Matrix, K）
- 描述机器人末端执行器的刚度特性，用于力控制和柔顺控制。
阻尼矩阵（Damping Matrix, D）
- 描述机器人系统的阻尼特性，用于振动抑制和稳定性分析。
惯性矩阵（Inertia Matrix, I）
- 描述机器人各部分的惯性特性，用于动力学建模和控制。
传递矩阵（Transfer Matrix, T）
- 用于描述机器人系统的动态特性，常用于频域分析和控制设计。
状态空间矩阵（State-Space Matrices, A, B, C, D）
- 用于描述机器人系统的状态空间模型，A为状态矩阵，B为输入矩阵，C为输出矩阵，D为直接传递矩阵。
齐次变换矩阵（Homogeneous Transformation Matrix, H）
- 用于描述机器人各连杆之间的位置和姿态关系，常用于运动学分析。
来自deepseek对于图形学和图像学方面的回复：
在计算机图形学中，矩阵在图形建模和变换中起着关键作用。以下是几种重要的矩阵及其用途：
1. 平移矩阵（Translation Matrix）
用于将物体从一个位置移动到另一个位置。
T = \begin{bmatrix} 1 & 0 & 0 & t_x \\ 0 & 1 & 0 & t_y \\ 0 & 0 & 1 & t_z \\ 0 & 0 & 0 & 1 \end{bmatrix}
2. 缩放矩阵（Scaling Matrix）
用于改变物体的大小。
S = \begin{bmatrix} s_x & 0 & 0 & 0 \\ 0 & s_y & 0 & 0 \\ 0 & 0 & s_z & 0 \\ 0 & 0 & 0 & 1 \end{bmatrix}
3. 旋转矩阵（Rotation Matrix）
用于绕某个轴旋转物体。
绕X轴旋转：
R_x = \begin{bmatrix} 1 & 0 & 0 & 0 \\ 0 & \cos \theta & -\sin \theta & 0 \\ 0 & \sin \theta & \cos \theta & 0 \\ 0 & 0 & 0 & 1 \end{bmatrix}绕Y轴旋转：
R_y = \begin{bmatrix} \cos \theta & 0 & \sin \theta & 0 \\ 0 & 1 & 0 & 0 \\ -\sin \theta & 0 & \cos \theta & 0 \\ 0 & 0 & 0 & 1 \end{bmatrix}绕Z轴旋转：
R_z = \begin{bmatrix} \cos \theta & -\sin \theta & 0 & 0 \\ \sin \theta & \cos \theta & 0 & 0 \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 \end{bmatrix}
4. 投影矩阵（Projection Matrix）
用于将3D场景投影到2D平面上。
正交投影：
P_{\text{ortho}} = \begin{bmatrix} \frac{2}{r-l} & 0 & 0 & -\frac{r+l}{r-l} \\ 0 & \frac{2}{t-b} & 0 & -\frac{t+b}{t-b} \\ 0 & 0 & \frac{-2}{f-n} & -\frac{f+n}{f-n} \\ 0 & 0 & 0 & 1 \end{bmatrix}透视投影：
P_{\text{persp}} = \begin{bmatrix} \frac{2n}{r-l} & 0 & \frac{r+l}{r-l} & 0 \\ 0 & \frac{2n}{t-b} & \frac{t+b}{t-b} & 0 \\ 0 & 0 & \frac{-(f+n)}{f-n} & \frac{-2fn}{f-n} \\ 0 & 0 & -1 & 0 \end{bmatrix}
5. 视图矩阵（View Matrix）
用于将世界坐标系中的物体转换到相机坐标系。
V = \begin{bmatrix} r_x & u_x & -d_x & 0 \\ r_y & u_y & -d_y & 0 \\ r_z & u_z & -d_z & 0 \\ 0 & 0 & 0 & 1 \end{bmatrix}
6. 模型矩阵（Model Matrix）
用于将局部坐标系中的物体转换到世界坐标系。
M = T \times R \times S
7. 法线矩阵（Normal Matrix）
用于变换法线向量，确保其与变换后的表面垂直。
N = (M^{-1})^T
这些矩阵通过组合使用，可以实现复杂的图形变换和渲染效果。