数学的奇妙从小体验 (评论: 安野光雅数学绘本)

标签: 数学 小体 安野光雅 | 发表时间:2011-09-11 15:51 | 作者:富娃宝贝07 Adam
出处:http://book.douban.com/review/book_best/
富娃宝贝07评论: 安野光雅数学绘本

评价: 力荐

这套书共5本,每一本大概讲述了一种直观的数学概念(偶尔也有交错)。从这套书中你不得不惊叹日本人对待知识的用心,尤其是对待幼儿、儿童数学启蒙教育的探索精神,而且在探索的过程中是科学而严谨的,这让我这个很FQ的人,都不得不对这种精神肃然起敬。更对日本幼儿教育起了索然兴味。

简单来说,这5本书讲授的数学概念是很深奥的,我看了书后的导读反复看,很多地方才能看得深入了。

分册简介
个人最喜欢《帽子戏法》,讲了...

相关 [数学 小体 安野光雅] 推荐:

数学的奇妙从小体验 (评论: 安野光雅数学绘本)

- Adam - 豆瓣最受欢迎的书评
富娃宝贝07评论: 安野光雅数学绘本. 这套书共5本,每一本大概讲述了一种直观的数学概念(偶尔也有交错). 从这套书中你不得不惊叹日本人对待知识的用心,尤其是对待幼儿、儿童数学启蒙教育的探索精神,而且在探索的过程中是科学而严谨的,这让我这个很FQ的人,都不得不对这种精神肃然起敬. 简单来说,这5本书讲授的数学概念是很深奥的,我看了书后的导读反复看,很多地方才能看得深入了.

数学,传奇?

- cindy - 粉红小猪
   在国内就老是听到传奇,说是中国的数学有多么多么的好,国外的数学有多么多么的撇,还把这里的学生的数学,说得跟弱智一样,过来一看,都哪跟哪啊,这边的人还啭中国高中生呢:“微积分都不懂.   这边的数学书,搞得跟百科全书一样厚,都基本上没办法带回家,只能放学校个人的柜子里,是国内数学书的3-5倍厚重,从测量的历史开始写,图片跟历史地理一样漂亮,不大像数学书……我带回家给我爸看了一眼,他说:难怪学生不能自己拥有书,只能用完了下届学生继续用,这得多高的成本啊.

数学是数学家的墓志铭

- 李龑 - 果壳网 guokr.com - 果壳网
作者:严酷的魔王 你想在自己的墓碑上刻下什么文字. 也许对于我们来说,考虑这个问题为时尚早,但是许许多多的前辈数学家已经用自己的实际行动告诉了我们:墓碑上书写着自己的荣耀. “他生命的六分之一是幸福的童年;再活了他的生命的十二分之一,两颊长起了细细的胡子;他结了婚,又度过了一生的七分之一;再过五年,他有了儿子,感到很幸福;可是儿子只活了他全部年龄的一半;儿子死后,他在极度悲痛中度过了四年,也与世长辞了.

篮球的数学

- 猫 - Solidot
是当机立断投篮还是等待更佳良机,职员篮球运动员每场比赛都要面临多次类似的困境. 现在,明尼苏达大学理论物理学研究生Brian Skinner在arXiv.org上发表了一篇论文,向球员提供了投篮最佳时机的数学建议. Skinner是一位狂热的篮球迷,他发现篮球运动类似于交通网络中的汽车驾驶,每辆车相当于一个被球员持有的篮球,通过在网络中运动实现得分目的.

数学公式生成器

- ArBing - 阮一峰的网络日志
上一篇文章《数学常数e的含义》,有很多数学公式. 但是,在网页上显示数学公式,是一件非常麻烦的事情. 怎样才能把这个公式放到网页上呢. 传统的方式是,先在相关软件中把公式做出来,然后截图,再把图片贴到网页上,这样既麻烦又耗时. 我就在想,有没有便捷的方法,可以生成数学公式. 我知道,Google Chart接受TeX语言,实时返回数学公式的图片.

改变思想的数学

- 我要发芽 - Solidot
观点将随事实的改变而改变,这是贝叶斯定理的真谛. 贝叶斯定理以18世纪的长老教会牧师Thomas Bayes的名字命名,目的是为了解决一些本质问题:当更多信息涌入时我们如何改变信仰. 是顽固的直到旧有假说完全站不住脚. 还是在怀疑第一次出现后立即抛弃旧观念. 贝叶斯的推导已经变成了无价的科学工具,它帮助我们一步步认清现实.

谷歌背后的数学

- 欲望道人 - 卢昌海个人主页
站长撰写的介绍谷歌公司的网页排序算法的文章.

数学家 vs. 上帝

- 虫虫 - 科学松鼠会
原作地址:http://abstrusegoose.com/395.

Hadoop背后的数学

- - 灰色的灵魂
自从 Nathan Marz同学写了那篇著名的 How to beat the CAP theorem的Blog,以及 Storm发布之后,俨然成为了技术界新偶像. 顺着他本人的blog,翻了一下他过去几年的写的技术文章,发现老美的牛人们都爱总结,能够把技术实践提升到理论高度,然后抽象出新的设计和产品,比起我等只能每天苦逼苦逼应对实际需求的人来说,还是强出很多.

PCA的数学原理

- - CodingLabs
PCA(Principal Component Analysis)是一种常用的数据分析方法. PCA通过线性变换将原始数据变换为一组各维度线性无关的表示,可用于提取数据的主要特征分量,常用于高维数据的降维. 网上关于PCA的文章有很多,但是大多数只描述了PCA的分析过程,而没有讲述其中的原理. 这篇文章的目的是介绍PCA的基本数学原理,帮助读者了解PCA的工作机制是什么.