浮楼塔的知识库
日记
学习计划

学习计划

（2023）1：题目非常直白，考的也比较细节。中心点还是不要遗漏专业课的小知识点，不要以为冷门不重要就不会考

（2020）5：情报部分的出题有两个核心——学科基础知识（主要是C/py+信息论+数据结构）+服务于实验室的研究方向。比如神经网络和图像处理分别都能从专攻主页中找到研究相关领域的导师，操作系统也是人机交互、嵌入式系统（应用于机器人）的必修功课……举个例子：2018年夏入试中出现的关于强AI和弱AI的阐述题，是国吉康夫教授在2019年3月时公开课的主题（Youtube上搜索“国吉康夫”，出现的第一个视频）。也就是说，推荐考生在复习情报相关的课程时，优先以掌握基础知识点为目标，在此基础上，参考各个实验室的研究内容，思考其研究方向所需具备的学科基础素养，并进行广泛地涉猎，这将对应付情报方向繁杂的考试内容起到指引作用。

  • 复变函数

    • 4：本科教材
    • 2：Coursera+AEM，留数定理相关计算题
    • 5：保形映射、解析函数、级数、留数计算、拉普拉斯变换
    • 5：围道积分

  • 傅里叶&拉普拉斯

    • 4：本科教材
    • 4：理解概念后熟用公式
    • 2：MIT edx+AEM,计算题可做

  • 线性代数

    • 1：Gilbert Strang
    • 1：国立阳明交通大学周志成关于特征值和奇异值的部分
    • 1：不变子空间等部分参考丘维声教授的高等代数。
    • 1：清华大学学堂在线的线性代数课程结合了以上三者。
    • 1：过去问和小黄书第一册线性代数部分。
    • 1：矩阵分析
    • 2：( Advanced Engineering Mathematics +总结)3天.特征值、奇异值相关计算题
    • 2：发现油管上一个快速讲计算题的list
    • 2：矩阵求导法解决最值问题,神经网络的推导
    • 2：线性代数(小黄书)3天,证明题可做.小黄书上的线代套路很死.
    • 5：B站上MIT课程视频，视频链接 https://www.bilibili.com/video/av54088308/ 该课程视频对于线性代数的理解是对国内课程知识点的很好的补充。

  • 微积分（向量分析，常微分方程，偏微分方程，复变函数）

    • 1：MIT单变量微积分和多变量微积分
    • 1：《大学院への数学》《工学部で学ぶ数学》小黄书的第一册
    • 1：过去问
    • 2：单变量微积分(普林斯顿读本+总结)
    • 2：微分、积分、极限、级数、积分技巧与极限技巧训练
    • 2：常微分方程：(AEM)计算题可做，简单证明题可做
    • 5：单变量微积分 https://www.bilibili.com/video/av51774725/
    • 5：多变量微积分 https://www.bilibili.com/video/av51801661/
    • 5：微积分重点（有时间的话）https://www.bilibili.com/video/av51
    • 5：微分方程知识点速通：主要是B站UP主“犀利程”的视频 （5天）
    • 5：常微分方程：https://www.bilibili.com/video/BV17t411L7wx
    • 5：偏微分方程：https://www.bilibili.com/video/BV1BW411u73M

  • 概率论（离散随机变量的建模，连续性随机变量，随机过程）

    • 1：《弱点克服-大学生概率统计》
    • 1：离散概率建模
    • 1：过去问
    • 1：小黄书第二册概率相关
    • 3：投影，以及与之相关联的伪逆，introduction to linear algebra第四章
    • 3：组合、母函数
    • 4：MIT 概率，习题与测试, AEM 计算题、证明题、应用题均可做
    • 5：B站上MIT课程视频以及课本视频链接 https://www.bilibili.com/video/BV19s41167TE 该课程中关于贝叶斯推断的部分是对国内课程知识点的很好的补充。参考课本复习八大经典概率分布模型以及数理统计部分。参考维基百科对母函数相关知识点进行补充学习。

  • 机械力学和分析力学

    • 1：大学物理教材
    • 1：《四力问题精选》中机械力学篇除多自由度振动以外的其他部分
    • 4：单自由度振动
    • 4：拉格朗日方程
    • 5：主要掌握刚体运动模型（刚体运动可以看作平动+绕质心的转动，牢记这点题目可解）

  • 控制理论和现代控制

    • 1：本科课本
    • 1：状态方程
    • 1：系统的能控能观性
    • 4：传统控制
    • 4：现代控制里状态方程
    • 4：可控性可观性
    • 5：自动控制，电机的模型，这是机械控制部分的高频考点，同时电机也是机器人重要的驱动元件之一（这也就是为什么说机器人学串联了整个机械控制部分，下文还会就这点继续阐述），由此延申的控制系统的稳态判断、能控能观性、响应指标、伯德图（一阶、二阶）等知识点也需要掌握。

  • 机器人学

    • 1：《机器人学导论》
    • 1：操作臂运动学D-H法
    • 1：雅科比矩阵
    • 1：虚功原理推导
    • 4：Craig的《Introduction to robotics》
    • 4：旋转矩阵
    • 5：coursera上的视频（英文）https://www.coursera.org/specializa，额外补充D-H 参数模型以及正逆运动学的计算练习。

  • 模拟电路和数字电路

    • 1：过去问
    • 1：本科教材
    • 5：主要参考清华大学的蓝皮教材，笔者本科学习的时候用的，时间有富余的情况下推荐。该部分考得不深。模电课程重点学习各种基础电路（加法电路、积分电路、比较器……）；数电课程重点学习各种门电路以及日本国标的表示方法、掌握基础的逻辑运算。

  • 机械设计和机电学

    • 1：过去问，其他未知
    • 5：机械设计部分在机器人学公开课里的 actuation, gearing and friction 部分有所涉及，此外再参考维基百科词条mechanism（传动）进行学习补充

  • 数值计算方法

    • 1：非线性方程求根方法
    • 1：插值函数
    • 1：未知
    • 5：非线性方程求根方法（主要是牛顿法）、线性方程组数值求解、几种插值函数的构造、数值积分——这些内容任何学校的数值计算方法课程/参考书必然提及，找同学要课件就行。

另外参考小黄书对特征值数值求解的幂法进行补充

  • 数据结构和算法

    • 1：算法
    • 3：红皮算法第四版
    • 5：参考资料：《数据结构与算法分析-C语言描述》（黑皮书）、博客园博主“如果天空不死”的博客中的“数据结构_算法”部分 https://www.cnblogs.com/skywang1234

  • 机器学习

    • 1：吴恩达
    • 1：逻辑回归
    • 1：神经网络
    • 4：逻辑回归、神经网络、SVM等经典算法

  • 信息论

    • 1：清华大学应用信息论基础
    • 1：信息熵，信道，条件熵等
    • 1：信息论与编码
    • 4：京大信息论的ppt
    • 4：《Information Theory, Inference, and Learning Algorithms》
    • 4：香农熵、Hoffman、信道等基础知识并学会证明推导
    • 5：信息论：推荐清华大学张林老师的公开课“应用信息论基础”（7天）视频链接：https://www.bilibili.com/video/BV1Fs411g7G7 重点掌握信息熵的计算以及几个重要不等式（会独立完成推导计算）

  • 形式语言和自动机

    • 1：希腊奶

  • 图像处理

    • 1：希腊奶
    • 5：OpenCV中经典函数的学习

  • 自动机

    • 4：《オートマトン形式言語理論》

  • OS

    • 4：了解进程等基础知识

  • 操作系统

    • 5：操作系统：维基百科上相应的知识点

本文整理自下列前辈经验，在此一并表示感谢。

https://zhuanlan.zhihu.com/p/654309811

https://zhuanlan.zhihu.com/p/656030033

https://zhuanlan.zhihu.com/p/407686799

https://zhuanlan.zhihu.com/p/80843864

https://zhuanlan.zhihu.com/p/248689564

https://tieba.baidu.com/p/7014344177

2024年2月