小卒資訊論壇 - Powered by Discuz! Board

標題: [學科討論] (ENGG1002)等我話你知Electronics是什麼 [打印本頁]

作者: Automaton 時間: 2013-3-19 05:58 PM 標題: (ENGG1002)等我話你知Electronics是什麼

2014-8-12更新:
post #83開始有一些其他人和我的對話, 回答圍繞 take course, 書, 方法學, major等等, 可以看看

2014-7-14日的更新:
我勁忙,本文暫不更新
另外其實我一早就已經忘記了我曾經寫過什麼講過什麼了
所以如果本文有些東西我還沒有寫完/ 還沒有寫
or 你有問題想問
直接post出來問
一來你可以gain我個answer
2來可以share個answer, 人人都可以見到

如果你知道我個頭像是什麼和那個故事
唔, 你都識D野

前傳(click me)

相信你听過 $E=mc^2$
我個人看法是 $\textup{ELEC} = \textup{MECH} * \textup{CIVL}^2$ 或 $\textup{ELEC} = \textup{Maths} * \textup{Computing}^2$
本文主講何謂  電子工程
作為最難最多數
我很難不用數講
所以我會用Maths Approach
唔知我講什麼,反省為何如此無知無能,然後Don't waste your time, STUDY!

目錄
前言 #1
Why Engineering, not pure science #2
何謂大學生 #3

Main到底學什麼
The Beginning : EM Wave ................#4
Optics , Photonics, Phononics .......... #5
Solid State Electronics & System .........#6
Control Theory & Dynamical System ....... #7
Instrumentation : Transducer, Sensor & Actuator #8
Robotics : modeling, control #9
Signal Processing  #10
Information & Communication Theory #11
Machine Learning : Artificial Neural Network #12
Extra 1. Related Maths in Signal Processing & Control #13
Algorithms #14
A.I. : Adaptive Algorithms #15
Human Computer Interaction - User Interface Design #16

Emerging technologies #17
結尾 #18

Extra 2. 閒談數學 :Applied/Pure/Computational Maths in Engineering #54
Extra 3. 閒話Transform : A very important core in technology #64
Extra 4. 閒話Approximation in Engineering Electromagnetics # (not yet finish)
Extra 5. Abstract Algebra in Error Control Coding ( not started yet )
Extra 6. Dynamical system, Fix point attractor and A.I. ( not started yet )
Extra 7. Sparse and Compressive Sampling and Lossless Data Compression ( not started yet ) < -- 2013 Shaw Prize in Mathematics

===========================================================

前言

電, 對於中學生, 特別是無知的人, 會覺得只是個物理現象
世界是很大的 ,  沒有門外漢想像中那麼簡單
電何止那麼簡單
電是訊號
把電視為只是一種物理現象
這種想法很無知很不思進取

電氣工程的分支
根據IEEE
可分十大類, 之後每類再可分5,6類

一般而言, 學界分做十大類, 分別是
1.Power & Energy, Power Electronics, Photovoltaic Solar Cell
2.Electromagnetics, Microwave Engineering, RF Electronics
3.Signal Processing
4.Computer System & Networking
5.Tele-communication
6.Microelectronics, Nanoelectronics, Quantum Electronics, Microsystem
7.Control and Robotics
8.Biomedical Engineering
9.Optics, Lasers and Photonics
10.Inellegent Systems, A.I. , Pattern Recognition, Machine Learing

電氣工程是個極巨大的領域
中學生那如此小小的知識圈  不可能會知到底EEE/EIE/IE/ECE/EE是什麼

世界是很大的  沒有門外漢想像中那麼簡單

我極,非常,超級粗略地概括, 電可大分為

能量派 (電機工程 , 機械工程)
訊號派 (電子工程 , 資訊工程 , 通訊工程 , 電腦工程 )

等我由訊號這個角度來令你"feel下"什麼是Electrical Engineering / Electronic Engineering / Information Engineering

問問下自己
你在看這文章前
對電子工程有什麼看法
如果你在看這文章前只是認為電子工程 = 搞電路板

那你就給我講中, 你自暴其短, 太低能了

為什麼我很有信心我會講中 ?
因為我很有信心門外漢99.999% 不知道原來訊號世界是如此精彩刺激有趣

[ 本帖最後由 Automaton 於 2014-8-12 11:50 PM 編輯 ]

作者: Automaton 時間: 2013-3-19 05:59 PM

Why Engineering but not pure Science

有人話, 理科難過工科
well,這是經典紙上談兵
你不知 build 一個實用 system 有幾難
不要少看這句話
若你能build 一個實用 system
你就能發達

什麼是實用?
太多要素, cost, user-friendly, portability, easy of maintenance, blabalbalba
可以讀一個PhD就只是讀"實用"
我不多講了

一些理論,特別是pure science的理論是個過份簡化的模型
原因有3
1. 真實世界充滿noise

這已是一大學問, 別以為 denoising 很容

2. 易真實世界充滿error

Engineering有個分支叫Precision Engineering
想像下塊IC細到 Nanometer,裝歪小小就壞 (唔好同我講咩quantum仲細)
特別是Robotics,更講究precision

http://www.youtube.com/watch?v=SOESSCXGhFo

http://www.youtube.com/watch?v=YaJOSRRnNco

3. 真實世界物料會老化
Engineering有科叫Reliability engineering
東西都不是無限life有限制的
有時wire熱過working temperature少少就壞

下面開始全部是我個人經驗所得出
沒有數據支持
只有理據支持

為何讀science?
Science能給你的, engineering都能給你, they why science but not engineering?
根據我的觀察, 無知的中學生去讀science原因有3

1.優越感
睇太多把一個人英雄化的所謂科學家電視/節目
感到寫一大堆Equation愈複雜,好型
在親友面前晒一大堆黑洞量子力學光子反衝等等詞彙
有"別人不明白而自己明白的優越感"
仲細?寫D冇人明的equation,自以為高人一等?
有句說話 : If you can't explain it simply you don't understand it well enough

通常這種人是沒有實力, 只知個詞, 連ODE是什麼都不知道
講深入少少就立即現形
這種人升大學最喜歡讀pure science,例如maths, physics
不過他們只會感到很深很難
但卻付不出應有的努力
最後自己垃圾成績怨Prof爛grade
這種垃圾是Pure Science系最多的

這種人最想做科學家
認為Engineering個名在 "科學家" 3個字之前太失禮
誰不知大把人Engineering出身是Nobel Prize Winner
Dirac
Bardeen
丁肇中
崔琦
高錕
如果你研究到efficiency過20%的solar cell,過百米wireless power transfer, total imaging,都可以Nobel Prize
不過呢,發夢好啦, 我睇你連simple waveguide, simple LASER都唔識啦

2.想向難度挑戰,Engineering太Easy
這種人有本事, 不過就以為Engineering太Easy
想向難度挑戰?solve個NP hard problem
例如travelling salesman problem
太Easy?solve multiple variable Lorenz attractor
再唔就Hilbert's 17th problem
太數學?OK, give analytic solution of reverse scattering of EM wave of n medium
不喜歡?OK, break von neumann bottleneck, break Shannon Limit, break Shannon-Nyquist Sampling limit
唔知我up乜?

這種人是有本事
不過見識受限在中學的所見所聞, 知得太少
以為只有咩量子力學太空大爆炸才配得起他們

3.以為只有Science可以訓練analytic power
這種人一般, 肯努力
不過以為只有Science可以訓練analytic power
乜Engineering唔得咩?Engineering一樣可以
Digital system更是最能訓練analytic和logic

那麼, 看來Science能你的, Engineering都可以
那有什麼東西engineering能給你, pure science不能?
Practical Skill (不是指lab skill, 那個2者都有)
Engineering的product有很多很多東西要考慮
Safety,Ethics,Service Life,Efficiency,Cost,Portability,User interface,ergonomics, appearance,等等
這些東西不是"理論家"能理解的
別以為很簡單
user鬼理你個product個background theory幾amazing幾勁
正如你去買手機, 你會有那麼好學去思考下個手機的RF Electronics, Voice Compression等等?
Customer is king,要求平,work, easy to use

有思考過為什麼USB work嗎?
有思考過為什麼octopus card work嗎?
想像下如果地球上所有收銀機壞晒會點?
想像下你可不可以一日完全沒有電?
為何有光纖? 為何有ipad? 為何有SD卡?
因為有人搞? Yes, 但你out date了10年, 因為那些都是10年前的東西 (光纖更是20年前)

那最update的科技在什麼地方? 在研究所
那為什麼不流出市面?
其實你再思考下為何有光纖? 為何有ipad? 為何有SD卡?
正確原因 : 平
cost reduction很重要
顯著例子?5年前1GB USB手指幾錢?現在1GB USB手指幾錢?

改變世界的不是科學家 , 絕對是 Engineer

你有無視現實的天馬行空的科學理論

的確很厲害, 不過

一日沒有人去實現化 , 都只是空談

把科學理論實現化的 Engineering理論 , 更勁

也更難

科學理論是求真, 這也是其中心思想, 之後就沒了
只需要個理論能 "(部份)正確地解釋" 部份事件就可以

工程理論是求用, 只需要考慮技術可不可行, 錢可不不行, 如果太貴, 有沒有alternative

例如搞強磁體需要Rare Earth element, 不過因為政治原因
中國搞到Rare Earth很貴, 結果外國(例如日本)有一大堆人去研究如何找替代材料
那些人是什麼人? 那些人是Enginner

即是說, 要有idea有幾難, 要"好用"先難
大學Engineering的research lab,大把超超超科技
不流出市面就是因為貴

早就有超超超thin TV, 不過貴
早就有真3D立體screenless TV, 不過貴
早就有腦波精神控制電腦, 不過貴
早就有無人公路系統部車不需要人開自動識走, 不過貴
早就有更勁記憶體M-Ram, 不過貴
早就有個人飛行器, 不過貴
太多,廢事講

地球不需那麼多人去搞pure science,而需更多人去搞科技
以一個更現實的看法, 不是人人都是愛因斯坦不過人人都可以是Steve Jobs

為什麼? 我會叫人走去讀Engineering而非Science?
因為我睇死你讀唔掂
你以為你自己天才?

我針對一般人/沒料的人講 :
想下你到底為了什麼走去讀science
如果你不能給自己一個好答案 (非行貨答案!)
我認為你都是走去take Engineering好一點
雖然如果你是垃圾, 去了哪裡都是垃圾
最少你去到Engineering也最少可以訓練成Code Monkey,對社會破壞少一點
而不是走去做根本就太少學生的中學教書先生

走科研, 別以為那麼容易
如果你連熱誠都沒有
連肯勤力都沒有
發夢就有你份

大學很講自制力
如果你讀Science而沒有日日圖書館的話
我完全不認為你有什麼資格可以否認我睇死你唔掂

走科研, 別以為那麼容易

再者, 熱誠只是最低級的要求
講熱誠大把人仲癲過你! (廢寢忘食地讀書)

夢想沒有便宜到只靠熱誠就可以實現
請考慮現實

我只是講話事實
睇太多把一個人英雄化的所謂科學家電視/節目
連做戲和事實都分不清

我給你一個讀科大的人的Blog, 有時間就去看看吧
http://universitystresstension.blogspot.hk/2011/08/blog-post.html

Science的確是"理論性"強, 部份分支也可以有application,
不過相比之下
Engineeirng, theoretical又得, practical更得, business又得
老實講, 除了practical medicine & Law之外, Engineering乜都得
Then Why not engineering ?
當你讀唔掂Science, 你可以點?
當你讀唔掂Engineering,你可以點?

當然, Engineering沒那麼簡單

所以呢, 其實中學生的你
其實根本不知道
你識的東西
實在太少
大學裡的中級人士一掌就可以打死你
這是事實
不要以為中學幾個5**就很了不起

如果你真是有料
就自自然不會給我這篇文嚇到
也應該會知道什麼是大學生應該做, 什麼是不應該做
就不用看下面那篇文了

[ 本帖最後由 Automaton 於 2013-8-18 03:39 AM 編輯 ]

作者: Automaton 時間: 2013-3-19 05:59 PM

何謂大學生 現在普遍local大學生, 差 (我不是用"極差"已經算好 )
WHY?

我極明白中學生心態, 我也曾是中學生
中學時, 會感到入了本地最勁的大學, 就超開心

不過你以為世界有那麼簡單?

學生的問題
你習慣了一環境就自然會想更進一步
人要向上流
學習是不進則退
听清楚, 最後一個字是"退",不是停
沒有"停"這回事

大把本地學生,讀書就是等畢業
只是等等等等等, that's it
結果呢, 根本畢完業都沒什麼料
數差自學力少上進心, 熱誠更是零

我極少從local听到有志要去外國深造
反而mainland講前路,深造多都爆
已經plan好要點點點
香港呢?
人人都BBA MBA DBA

網路也是一樣
mainland大把學術討論區
讀什麼書, 讀書順序,例如看完 Intro to XXX / First Course in XXX後應看哪本多到木亥火暴
什麼大學強什麼科, 要找什麼prof等, 多到木亟之木亥火暴
香港呢
除了這個有大部份high school ignorant的地方和另外2,3個論壇外
我找不到一個地方會有
"如何solve numerical PDE"
"algorithm 討論 "
"higher maths "

外國討論區一樣多都木亥火暴
簡單例子就 Physics Forum , Stack Overflow

香港呢?

別以為什麼世界中學生能力測試香港學生水準三甲內就好醒

別以為什麼ALevel 地球數一數二難就好醒

別以為外國中5先教pythagoras theorem 就好醒

首先天外有天大陸學生仲勁

我不談課程, 我談努力

大陸學生, 狂摺library, 努力學習

香港學生, 除了做些自以為好醒的無聊事(不用我講, 香港間間都有) 之外就沒什麼了不起

non local會小組作戰, 考試一齊A

香港學生會小組抄功課, 考試一齊F

non local會有心讀上去

local坐等畢業

別以為我講到好差, 我已經留了手

我朋友讀多大(U of T)

year one sem2 99% undergrad 在Jan-Feb已狂send email找summer research opportunities

如果你是undergrad, 特別是現在是year1的人, 你想下, 你2個月前到底在混什麼水摸什麼魚

社會問題

學生問題多

大學,社會問題一樣多

我知會有undergrad以上的人看此post, 我就特登講

是學生的你也應該知一下

香港的教育太少research experience給學生

社會都一樣, 支援太少(這個問題就有待social science的人去搞了)

外國大把research experience給學生

而且 "視為自然"

大把undergrad可以有機會有更多experience

香港的大學除了冇錢之外

就是不支持local學生向上發展

當晒學生99.999%是等畢業人士 (雖然的確是)

結果有心向上的local就給忽略

research experience除了一個final year project之外基本是0

有人連ground都接錯真是嚇死我

社會請人, 也一般請鍍過外國大學金牌的人

請local只是給一些無聊 job

有時所謂 summer internship是一些 F5都識做的些普通技能

根本沒有experience可以學, 混帳地混水摸魚

學生有research experience不是沒有

要去MIT, Yale等等寶貴經驗

不過要GPA 3.999999, A++++++等等基本上99.999%都是mainland搶晒的所謂funding

也不幸地, 有時有些local有實作機會, 不過本身太沒料, 作不了什麼

學習不只是GPA大晒, 有人是慢熱性質

慢熱不等於廢

徐立之教授就是一例

結果不請local, 訓練也不給, 教就是但教(打工心態)

結果在 "學生都本身是鈍人" 的基礎上

這樣就做成香港的大學, 研究生過50%是普通話人士這個鐵一般的事實

香港學生不爭氣

大學社會支援少

好一個惡性positive feedback, loop loop loop

如果看文章的你是位有志向上的大學生(any field)

我不是嚇你

也別以為這樣就叫做嚇你

這些都是事實

如果你有心讀上去

想做所謂科學家

麻煩有應該有的心態, 應該有的技巧, 應該有的知識

而非 "我想讀physics" 這些智障都懂的句子

你以為入了大學就很威很安全坐等順利讀MPhil PhD ?? Bull**

你以為你Terry Tao ?

請有危機意識 : 一有concept不明白麻煩打自己2拳之後看書看到明為止

打自己2拳 : 令自己血衝上腦更精神地講 : oh yeah 有新野學 !

未完待續(#74)等我話你知大學的殘酷
http://lsforum.net/board/viewthread.php?tid=219909&page=5#pid6188618

[ 本帖最後由 Automaton 於 2013-8-28 06:41 PM 編輯 ]

作者: Automaton 時間: 2013-3-19 05:59 PM

課題1. EM Wave

Engineering 重視 怎樣用, 所以都以wave作重點

engineering的EM書和physics EM書不同的是, Physics重視力學

所以作為 linking EM to dynamics的Lorentz Force Law, Static Field 等等, 會較多較詳細

部份engineering EM書基本上會跳晒, 直接Maxwell's Equations 所以我都直接Maxwell Equations

$\\ \nabla \times E = J_m - \dfrac{\partial B}{ \partial t} \\ \\ \nabla \times H = J_i + J_c + \dfrac{\partial D}{\partial t} \\ \\ \nabla \cdot D = \rho_e \\ \nabla \cdot B = \rho_m \\$

這個就是Maxwell Equations, 部份term是因為用Duality Principle 可以快得到solution

Engineering和Physics的分批就在此

Engineering不要求要有Physical explanation, 要求夠準, 夠快

所以會有一大堆神奇equivalent methods, 快和準(precise solution $\neq$ exact solution )

Duality Principle 我就不多講了

作為要用Wave做某些事, 當然就是solve wave equation, 不過就當然先要有equation啦

以下都是standard steps, 所有EM書一定有

Standard 到爆的techniques steps

Wave in source free region : $\rho = J = 0$

$\nabla \times \nabla \times \bar{A} = \nabla (\nabla \cdot \bar{A}) - \nabla ^2 \bar{A}$

之後狂sub equations, Helmholtz equation就出來了

$\left (\nabla^2 - \mu\varepsilon \dfrac{\partial^2}{\partial t^2} \right ) \left \{ \begin{matrix} E(r,t) \\ H(r,t) \end{matrix} \right \} =0$

之後就standard technique, separation of variable + Fourier Series / Fourier Integral / Green Method 之類超standard PDE solve法就會有solution

不過正因為要快, 多數不用time domain, 而是用complex phasor

$\left (\nabla^2 - \gamma^2 \right ) \begin{Bmatrix} E(r)\\H(r) \end{Bmatrix} = 0 \\ \ \gamma =\sqrt{j\mu \omega ( \sigma +j \omega \varepsilon )} = \alpha + j \beta$

$\begin{Bmatrix} \alpha \\ \beta \end{Bmatrix} = \omega \sqrt{ \dfrac{\omega \varepsilon}{2} \left ( \sqrt{ 1+ \left ( \dfrac{\sigma}{ \varepsilon \omega } \right )^2 } \pm 1 \right ) }$

Alpha 是 decay constant , Beta 是 propagation constant , 2者都是material dependent

一般而言個solution都這個樣

$E(r) = E_0 e^{-\alpha r} e^{-j \beta r}$

Solve 完個wave, 正式開波 (sorry intro講完, 我大跳一下)

正正是因為不同物料 , 不同特性你可以 design material property去 "玩個Wave "

例如, 特別地, 設計個material (left hand), 有 Negative Refraction index (當然, 人工做的, 方法就唔講啦, 自己search啦)

就會出現cloaking effect

中間那一層Wave是"向後", 不是向前

這代表什麼 ? 這代表隱形!

老實講我仲想打字, 不過已到一個post的字數上限, 不能再講

Engineering EM剛剛正式開波, 還有Antenna, Transmission Line, Waveguide, Resonator, biaxial uniaxial dispersive lossy blablablabla

太多野, 遲些再講

不過Cloaking就幾interesting, 所以講下

另外如果有心讀EM有以下方向 : CEM (Computational Electromagnetics, 研究 "solver")
RF EM / RF electronics / RF system ( Radio Frequency device, high freq的話 LRC會變)

Antenna (有冇听過fractal antenna? it is interesting !)

Multi-physics ( 在photonics先講)

高frequency的circuit (distributed circuit model)全部都是Maxwell's equation (S-parameter, ABCD, Slot Line, blablabla, i/o impedance )

V=IR (lumped circuit model)會錯到離晒大譜

[ 本帖最後由 Automaton 於 2013-7-22 04:46 PM 編輯 ]

作者: Automaton 時間: 2013-3-19 06:00 PM

Solid State Electronics / Hardware Electronics / Digital Electronics

電子學, 是一大分支, 基本上任何EEE人都一定會知BJT & MOS

電子學一樣, 超大超廣, 簡單講可以分3層 : Device Level, Circuit Level 和 System Level

-----------Device Level-----------

開始部份是Quantum Physics / Device Physics , 例如Mean-free path, crystal structure等等

其中一條重要equation就是Fermi-Dirac Statistics

$f(E)=\dfrac{1}{\left (\exp \dfrac{E-E_F}{kT} \right )+1}$

有了這個就可以推算出 Build in voltage, PN Junction, Reverse Current等等一大堆equation

所謂最近Physics的分支就是搞Device : Device characterization, 即找physical governing equation (找尋一個新device的physical equation)

----------Circuit Level------------

之後就到了Amplifier Circuit, BJT CE amplifier 和 MOS CS amplifier

equation太長, 我都廢事打

肯睇晒

Sedra/Smith 本Microelectronic & Neamen 本 Microelectronic , undergraduate 已經夠晒

( 2本都是字典, first reading 會很辛苦 )

(圖上網找的)

呢2本磚頭(丟落街絕對可以殺人)所有EEE人都要硬食一次

Electronics 有什麼用 ? 基本上 electronics就是iPhone, Apple ,所有電子產品的根本

下圖叫CMOS, 等價於一個 not gate

而這個是 714 opamp

基本上可以講, solve circuit的功力一定要好

一些 gate 就是如此 build 出來

之後開始build向上, 由logic gate組合做 logic unit

-------System Level ---------

電腦的CPU中的ALU

Microprocessor

未完待續 (4)

[ 本帖最後由 Automaton 於 2013-7-22 04:57 PM 編輯 ]

作者: Automaton 時間: 2013-3-19 06:00 PM

Optics, Photonics, & Phononics

Waveguide

什麼是waveguide?

就是一條管, 哈哈

世界是很大的, 沒你想像中那麼簡單

don't under estimate everything

連條普普通通的四方管都可以搞一大堆野

Waveguide是怎樣來的?

基本上solve EM wave propagation to conductor就會出現

我唔在此solve equation (因為太長)

自己去看MIT open course 啦

( http://www.youtube.com/watch?v=rp1orH7OC1c , 大約22分鐘就是我講的東西)

除此之外, 另一個Standard Waveguide problem

$\\ \nabla^2 V = 0 \\ \\ \dfrac{\partial ^2 V(x,z,y)}{\partial x^2}+ \dfrac{\partial ^2 V(x,z,y }{\partial y^2}+ \dfrac{\partial ^2 V(x,z,y}{\partial z^2} = 0$

之後 Separation of variable + ODE techniques + Boundary Condition + Fourier Series / Fourier Integral 就會

$V= \dfrac{a V_0}{b \pi} \sum_{n = \textup{odd or even}} f(n) g \left ( \dfrac{n \pi h(x,y,z)}{c} \right )$

例如其中一種答案是 ( 2D , 打鼓個wave)

$V = \sum_{m=1,3,5,...} \dfrac{4V_0}{m\pi \sinh \left ( \sqrt{ (\dfrac{ m \pi }{a})^2 + ( \dfrac{n \pi}{b} )^2 } \cdot c \right )} \sin \dfrac{m \pi x}{a} \sin \dfrac{n \pi y}{b} \sinh \left ( \sqrt{ (\dfrac{ m \pi }{a})^2 + ( \dfrac{n \pi}{b} )^2 } \cdot c \right )$

Cartesian 算極極極好solve了

如果是圓柱和球體的 coordinate 的話

下面 2 條 Equation 就會殺過來了

基於篇幅所限, 我基本上是不打算講這2個equation的

另外, 讀Physics的人一定會知這2條是什麼鬼, 哈哈

數先到這裡, 那Waveguide有什麼用?

嘩, 多到唔識講

2個字夠殺 : 光纖

Photonics

未完待續 (5)

[ 本帖最後由 Automaton 於 2013-3-31 12:14 AM 編輯 ]

作者: Automaton 時間: 2013-3-19 06:00 PM

Dynamical System and Control Theory

另一篇introduction : (copy the whole line below)

http://lsforum.net/board/viewthread.php?tid=200555&page=16#pid6708615

動態系統和控制論

相對其他分支, 這個分支是最數學的

要研究一個動態的系統, 當然先要有maths model

Control Theory的Maths Model 是 s-domain transfer function

其形態可以有 single variable, vector function, matrix form

其實即 single input single output system 還是 multiple input multiple output

其中 matrix form 有個專有名詞叫 State Space

那麼如何有maths model ? 對一系統, 由物理知識可set up 時域system of ODE , 留意, x, y可以是n-by-1 vector

$\sum_{i=0}^n a_i \dfrac{d^i \mathbf{y}}{dt^i} = \sum_{i=0}^m b_i \dfrac{d^i \mathbf{x}}{dt^i}$

經Laplace Transform後, 抽common factor X(s) , re-arrange後可得

$\mathbf{y}(t) = \mathcal{L}^{-1} \left ( \left ( \dfrac{ \sum_{i=0}^m b_i s^i} {\sum_{i=0}^n a_i s^i } \right ) \mathbf{X} (s) \right ) + \mathcal{L}^{-1} \left ( \dfrac{\sum_{i=0}^n \sum^{i-1}_{k=0} a_i s^{i-1-k} \mathbf{y}_0^i }{\sum^n_{i=0} a_i s^i} \right ) - \mathcal{L}^{-1} \left ( \dfrac{\sum_{i=0}^m \sum^{i-1}_{k=0} b_i s^{i-1-k} \mathbf{x}_0^i }{\sum^n_{i=0} a_i s^i} \right )$

這個就是 General Transfer Function

有了Transfer function, 正式開波

一般而言, undergrad的control課會有

ODE & Laplace Transform

System Modeling based on Transfer Function

Feedback

Stability, Accuracy, Reference Tracking

Nyquist Analysis

Bode Analysis

Routh Analysis

Root Locus Analysis

Lead Lag PID

有時候會有

State Space

Lyapunov

時間關係, 不可能講晒

我先講一個general theorem

對於2nd order system (例如LRC circuit, Spring-mass-damper )

都可以寫做

$\\ G_{II}(s)=\dfrac{K \omega_n^2}{s^2 + 2\zeta\omega_n s + \omega_n^2} \\ g_{II}(t)= \dfrac{K \omega_n}{\sqrt{\zeta^2-1}} e^{- \zeta \omega_n t} \dfrac{e^{\sqrt{\zeta^2-1}\omega_n t}- e^{-\sqrt{\zeta^2-1} \omega_n t}}{2}$

之後根據不同物理量而會有不同constant, 就會有不同的response

G和g 是怎樣來的呢

我下面這一句很長的說話就解釋了

基本上用Laplace Transform 個time continuous 的linear ODE之後re-arrange terms 再用Heaviside Cover Up method / Cauchy Residue Method 去 partial fraction 個 s domain equation 之後查Laplace table去take inverse Laplace transform 而得出的就是個system function convolute with input finction 的result

上面這句 "文字"

太complicated, 而且描述不到我想 up muk對吧

現在你明點解數學是如此重要吧

不過正因為如果我寫晒D equation會長到唔夠位

所以我skip一下

(是但找的一個網, 自己睇啦唉 http://www.facstaff.bucknell.edu/mastascu/econtrolhtml/SysDyn/SysDyn2.html )

以上野是control最最最最最基本的基本 (沒有騙你)

我接下來講講勁野

別以為低B, 這個circuit 大有名堂, 叫 蔡少棠電路

基本上呢, circuit這科, 作為EEE基本

熟到自動用s-domain method 去做

$Z_c = \frac{1}{sC} \ \ Z_L = sL \ \ Z_R = R \textup{ where} s = j\omega$

這個circuit , 如果去solve的話 (其實很簡單)

會出現 Chaos

EEE正正有一科就是研究Chaos現象,

Chaos Theory中文叫

混沌理論

哇, 听落好型, 研究混沌

用個示波器去measure一些parameter, 例如voltage, resistance等等

plot 個graph, 從2D看就很一般的 lead-lag relation

不過如果從3D看的話 http://www.chuacircuits.com/sim.php

我想up muk?

我講過

Engineering要求 Solve到有用的東西

不要求 EXACT solution

只要合理的approximation就可以

所以呢, 有時候為了solve一個問題

會用很多等效原理

其中一個所謂"等效原理", 只是

"把觀察角度上升一維"

這個"概念", 其實是Linear Algebra的Basis Transformation

一個很基本的東西

最基本的transformation 就是rotation (這個M2中學生都識)

$\begin{bmatrix} cos \theta & -sin \theta\\ sin \theta & cos \theta \end{bmatrix}$

不過呢

"東西難不難不重要, 重要是用到, 而且用到盡就是神 "

有時low dimension看不出一些pattern

要high dimension才可以

例子太多,

別以為只有Dynamical system先有

Robotics中, 會有coordinate transform

例如3D的Rotation R + Translation d

如果你用 4D Matrix的話可以一個matrix去表示晒

$\begin{bmatrix} & & & d_x\\ & R & & d_y\\ & & & d_z\\ 0 & 0 & 0 & 1 \end{bmatrix}$

特登用大一點的matrix

等4行個0001好像很無聊

事實上不知幾有聊, 超好用

我再講個例子

有樣野叫Pattern Recognition

簡單就是"分類"

紅線分到2堆點, 藍綠都失敗

要找個直線equation 很易

問題是, 這些點分得好, 如果D 點亂一點呢

這個情況下要找個curve equation,就很難

不過呢

特登從更高dimension去做個problem, 有時會更快更有效

即是說,有時一些problem

從另一個角度去看

會有精彩的發現

Control & Dynamics System呢就很多這一些東西

例如State Space, 就是特登用Matrix去表達一些原本可以普通equation表達的control law

例如Bode Analysis, 唔睇f(x), 特登用log f(x) , 去發現個 asymptotic properties

而Nyquist Analysis, 更是更好的例子, 不去理個equation, 走去理個Cauchy index , 和turn number

一條普通equation,走去屈做轉圈的equation之後去數轉了幾多次

[ 本帖最後由 Automaton 於 2014-3-9 05:58 PM 編輯 ]

作者: Automaton 時間: 2013-3-19 06:01 PM

Instrumentation : Transducers, Sensors, Actuators

何謂 meter ?

中學學過 ammeter, voltmeter

其實都是假的

meter 其實也是Control Theory

叫 Tracking

即一個system A 去追個input

假設個input突然由0變1

基於delay, 個response一定跟不上

上圖, 個blue line 是input, 其他都是output

"如果個output個樣和input 100% 一樣, 就是好儀器"

Control Theory 證明 : This is impossible

任何儀器去measure physical quantity, 都要向這條理論低頭

禁點算? 當然有補救方法, 用PID Controller

上圖等於

這就是 "控制"

你用一些contoller去改個system到去最好performance ( 不是ideal ! 因為impossible)

而基本上

所有儀器機器

我理得你 ammeter 定哈勃望遠鏡定強子對撞機

係儀器就一定要用control theory去 "tun機"

接下來

講下一些儀器是怎樣work的

講下 Temperature Sensors

一件物件的溫度, 有很多方法去測量

例如用 Resistance-Temperature Relationship

$R(t)=R_0\left ( 1+\alpha t + \beta t^2 + \gamma t^3 + ... \right )$

then change in temperature 可以用resistance 來測量

不過這種溫度計要接觸

如果不能接觸 / 不想接觸

例如火山口, 星球等等

就要用Pyrometer

簡單講, 用voltage測temperature

所以有時要用上Bridge circuit

用這個(還有其他)來"adjust" 個range

例如如果temperature range 由 0K 到 1000K, 太大, 那就要用到scale adjustment

例子 : Laser cooling 可以去到 "6K" (-267C)

如果用平時的電子儀器, 會爆scale

就要用一些circuit去adjust個range (linear / quasi-linear / log asymptotic 等等)

其實temperature sensor還有很多

例如contact potential / thermistor / thermal couple / magneto-thermal effect 等等太多太多

之後講下 Force Sensor

最簡單的force sensor就是彈簧

彈簧受力會變形

是 3D 變形 (e.g. stress tensor )

讀mechanical engineering or material engineering 的話一定會知 "Poisson Ratio / Modulus " 等等

簡單講物料受力會變形

變形的話, 物料的resistance會變

中學physics : $R=\dfrac{\rho l}{A}$

結果呢

"力就可以用 voltage 去表示"

這就是 " 怎樣去測量一部車幾重" 的方法

未完待續 (7)

[ 本帖最後由 Automaton 於 2013-5-12 08:17 PM 編輯 ]

作者: Automaton 時間: 2013-3-19 06:01 PM

Robotics 機械人
什麼是機械人 ? 2隻腳的那些 ?

那些是機械人的其中一種

2腳機械人叫 Biped, 用Zero-moment point + inverse pendulum 去走路

機械人可以有六隻腳 , 可以沒有腳

機械人不只是你心目中那些 "機械人" , 機械手臂都是機械人工學的研究對象

機械人工學學什麼東西 ?

機械人工學太大 ( A.I., Mechanical design, Control, Computer Vision 等等)

其中一個研究大課題是控制

所以 control theory 其實是很重要的一科

我就講下 robot control

robotics 首先要有一個mathematical model

由physics build up的Euler-Lagrangian Mechanics model 可以 "改"做 Robot equation

$\mathbf{M}(\mathbf{q}) \ddot{\mathbf{q}} + \mathbf{C} ( {\mathbf{q}} , \ddot{\mathbf{q}} ) \dot{\mathbf{q}} + \mathbf{G}(\mathbf{q}) = \mathbf{\tau}$

(我其實skip了很多很多topic, 例如 kinematics analysis, inverse modeling, joint decoupling, DH convention 等等 )

上面條equation叫 Robot Equation

M 是 Generalized Inertia Matrix (transnational inertia + rotational inertia + cross coupling terms )
C 是 Generalized Centripetal and Coriolis Term
G 是 Generalized Gravity Vector

個equation 可以看做
$\\ \tau = \mathbf{M}(\mathbf{q}) \ddot{\mathbf{q}} + \mathbf{V}(\mathbf{q} , \dot{\mathbf{q}}) \\ \tau \textup{ : output } \ddot{\mathbf{q}} \textup{ : input } \\ \ddot{\mathbf{q}} = \ddot{q}^d (\textup{acceleration reference})+ v (\textup{feedback signal})$

機械臂要用motor 去drive
所以一般都要consider Servo Motor Drive
[attach]44876[/attach]

Motor 可以當 LR circuit , then

[attach]44877[/attach]

design 個gear ratio 小 (接近0) , then $\eta \tau_L(s) \approx 0 \textup{ or small perturbation}$

(n = 1/r )

Then[attach]44878[/attach]

未完待續 (8)

[ 本帖最後由 Automaton 於 2013-5-14 03:30 PM 編輯 ]

作者: Automaton 時間: 2013-3-19 06:01 PM

Signal Processing

人聲由不同wave合成

那equation是什麼?用harmonic analysis

最簡單原始無人用的方法叫FT Fourier Transform(我skip Fourier Series)

Engineering講究好用, FT有什麼用?

1.有時對待事物,一角度不夠, 你用time domain看可能完全沒資料,不過用frequency看可能有突破

例,湍流,brain wave, 會認為是一堆noise,沒pattern, 那就錯了

如果用spectrum看法,就會發現隱藏pattern

2.transform可令計算更快

例FT,Laplace Transform, Zeta Transform, solve ODE, PDE, difference equation時,狂用

基本精神是,把問題變易,之後transform back

所以transform到處都是

通訊有Hilbert, Robotics有Homogeneous等

不過FT有weakness

例,去听orchestra,用FT可由energy spectrum分析音樂有什麼樂器

不過不能知幾時有哪樂器,因FT用overall range, 而且慢

點解決?用FFT,更快

用STFT,把signal斬開,一個個check,連幾時有乜都知

講樣野你知,量子力學uncertainty principle,你知唔知signal processing都有呢

(量子力學discrete level, quantize,thermo的entropy, engineering一樣有

Discrete在wave guide, entropy在communication, 而Quantize整個EEE都有)

基本上,音樂和圖像軟件,例如Midi,PS完全是signal processing

另一點,以更高level看法,transform可看做operator

原本function是excitation, 個trans完function看做system output

可當FT是種system特性

最出名叫Green’s Function, 系統你不知樣子

沒問題, input個Dirac Impulse

看output response是什麼,從而推想system的Transfer function.(這想法不就是experimentalism嗎?)

而Green出名因為,是Impulse Response外還是Laplace Poisson Eqn的solution

FT有weakness,所以就FFT, DTFT, DFT, STFT (一大堆變種)

never perfect(老實講Transform名多到..)

再高vl點, 如果個operator可“變形”,就更快更準,這就是再下一代transform,叫Wavelet

[ 本帖最後由 Automaton 於 2013-3-25 11:12 AM 編輯 ]

作者: Automaton 時間: 2013-3-19 06:02 PM

Information & Communication Theory

簡單講"電話"怎樣運作, 最最最原始方法, AM (Amplitude Modulation,現在沒人用)

假設你要傳遞的訊息是 $x(t)$
你怎樣傳給千里之外的朋友?

Wave有什麼特性妨礙長距離傳訊? Interference ? Decay ?都是
不過,當然有其他更重要的原因, 如power,SNR,Bandwidth(這些我skip)

首先你要把你個 $x(t)$ 混合在一個叫carrier的訊號內,再發射carrier
即 $x(t) \cdot A_c \cos \omega_c t$
簡單起見,當 $x(t) = A_m \cos \omega_m t$
所以個混合物是(簡單trigo,中四都識) $A_m \cos \omega_m t \cdot A_c \cos \omega_c t = \dfrac{A_m A_c}{2} \left ( \cos( \omega_c + \omega_m )t + \cos \left (\omega_c - \omega_m \right ) t \right )$
之後就發射上天, 接收者自自然會收到 $x(t)\cdot A_c \cos \omega_c t$
他要變回 $x(t)$ , 怎樣變?

再次mix with carrier $x(t)\cdot A_c \cos(\omega_c t) \cdot A_c \cos(\omega_c t) = x(t) A^2_c \cos^2 \omega_c t$

最醒的步驟來了
如此簡單的數學, 怎樣用 ?

係人都知 double angle formula, 無錯, 答案就是用 double angle formula

$x(t) A^2_c \cos^2 \omega_c t = \dfrac{A^2_c x(t)}{2} + A^2_c \dfrac{x(t)}{2} \cos(2\omega_c t)$

因為第2個term , frequency X 2 , 是 high frequency term, 我們可以 filter 走 (用Low Pass Filter, 即RC circuit)

結果就可以get back x(t) , 之前那個只是個scalar, 可以用放大器KO

Engineering 的精神

Engineering 和 Pure Science 的分歧就在此, 數很簡單 ( 超簡單, 中四都識 ), 不過呢

你要意識到 一個A乘B後可經再乘一次B + 用B的特性去重組個A

這是什麼Engineering的精神 ?

易難非重點, 而是可以用, 而且是要 用到盡

AM 就是應用到 double angle formula的特性 : 有 identity term ( 個 "1" )

再者, AM 是給你feel 下"通訊"是什麼

如果我一開始就講 OFDM, 你根本就不會知道我講什麼

剛才的AM方法, 留意下, 只是單對單對話

不可以撞 frequency

地球N個人, 怎樣用有限的frequency 去支持近乎無限人的對話? (人數多, 而且一人可以一日打N次電話)

這就是 Orthogonal Frequency Division Multiplexing

不過如果我突然就講MIMO system的話就太難, 所以用AM做開場白

下圖叫 QAM, 是一個支持 2個signal的方法

Information Theory

小明和你說 : "我阿媽是女人"
相信大家都知是廢話
不過如果小明和你說 "我是基的"
相信你會感到 "嘩"
就上面2句, 大家都知第2句 "多一點資訊"
那麼何謂多一些information ? 何謂資訊含量少?

例如你去一個沙漠
出發前一定會查天氣
因為是沙漠
如果天氣報告是 : "天晴無雨"
你會感到沒什麼大問題, 而且會感到"很正常"
你會感到這個資訊 "沒什麼用"
如果天氣報告是 : "會有小小雨"
你會感到 "嘩,沙漠都落雨!"
你會感到這個資訊 "有用"
如果天氣報告是 : "會有狂風雷暴 10級暴風雨"
你會感到 "嘩嘩嘩嘩嘩嘩嘩嘩嘩嘩"
你會感到這個資訊 "超級有用"

那麼, 到底如何量化 "資訊" ?

Shannon, 一位engineer
(當然,D人總會叫晒所有人做科學家, 因為個名好像"勁D" )
他有一個definition
$\textup{Amount of information of event A = - log ( probability of occurrence of event A )}$
即 $I = - \log P$
這是為什麼呢???
中學化學有講pH的定義
$pH = - \log [H^+]$
看上去,資訊的定義和pH的定義很相似

那是因為2者的數值一般都很小
對於一個很小的數, 處理時很麻煩, 就用log
而log了之後, 是negative number, 那就用negative sign去令到變做正數
純粹只是一些"數學手段"而已, 就是 "轉scale"
有些graph (例如voltage-time graph) , 有如個數值極小
如果用正常scale會看不出pattern,這時log就很有用

解釋了I = - log P 那個"log"
那麼P是什麼?
那就是Shannon的意思

Amount of information 應該要和 "degree of surprise"有關係, 而且是 "monotonic relationship"
degree of surprise就正正是和機會率有關
所以
I = - log P
用沙漠例子講
一般沙漠不會下雨
所以 "不下雨" 的機會率很大 , 例如 0.999
那麼 I =  - log 0.999 = 0.0004
即是說 , "今天沙漠不會下雨" 這句說話的資訊含量是 0.0004, 基本上可以當0
假設 "沙漠打10號風暴" 的機會率很很很小 , 例如 0.0001
那麼 I =  - log 0.0001 = 4
那麼 "今天沙漠打10號風暴"句說話的資訊含量是4, 相比上一句, 這句說話就很重要

不過呢, 因為電腦是 "2進制"
所以以電腦來講 :
$I = - \log_2 P$
這個 I 的單位叫 "bit"
即是說, 要多少bit去表達這個資訊

接下來講下深少少的東西

假設有2個人, 講野的人和听野的人
他們只會講0和1

假設講野的人講0 的機會是 q
那麼講野的人講1 的機會就是 1-q

講野的人講0的時候, 資訊有   $I = - \log_2 q$ 那麼多
講野的人講1的時候, 資訊有   $I = - \log_2 (1-q)$ 那麼多

那麼平均而言, 他會講多少野 ?

這個平均, 即是很簡單的加權平均 (中三都識)
$I_{Average} = P_0 I_0 + P_1 I_1 = - q \log_2 q - (1-q) \log_2 (1-q)$

這個是什麼?
這個叫 "Entropy"  (Shannon Entropy / Information Source Entropy)
一般用H 表示

如果有個人會講 26個英文字母 a,b,c,d,e,f,g ,.... x,y,z
相對的英文字出現機會率是 p[subtag]1[/subtag] , p[subtag]2[/subtag]  , ... , p[subtag]26[/subtag] 的話
那麼那個人的  Source Entropy 就是
$H = \sum p_i I_i = - \sum p_i \log_2 p_i$

Source Entropy代表什麼東西?
Source Entropy代表的是 "表達資訊時, 不會有資訊留失的情況下需要的符號的數量的下限"
哇, 我講緊D咩

我用一個例子講, 包你明
假設你是個上將, 你會講 6樣野
前進  進攻  全前軍衝  後退  原地防守  邊守邊退
因為打仗, 你根本不可能用個口大叫這幾句說話, 你需要一些 "訊號指示物"
我就用指示煙花(射上個天個訊號)例子
假設你有紅煙花和白煙花

那麼如何用2種煙花去表示6件事?????

2的3次方是8, 8>6, 所以可以 :
前進進攻全前軍衝  後退原地防守邊守邊退
紅紅紅  紅紅白紅白白白白白白白紅白紅紅

OK, 我現在話你知 , information theory是如何指出這樣的訊號表示是沒有效率的

你是個上將, 不過你不會講6樣野都有一樣的機會率

   前進進攻全前軍衝  後退原地防守邊守邊退
機率 0.3 0.2    0.1    0.3 0.05    0.05

那麼, 這一些資訊的 Entropy是
[img] http://latex.codecogs.com/gif.la ... %3D%202.27095059445 [/img]
即, 最少只需要 2.27個符號就夠
現在是用了 3 個, 平均浪費了0.73個

那麼如何是好?
可以如此

   前進進攻全前軍衝  後退原地防守    邊守邊退
機率 0.3 0.2    0.1    0.3 0.05       0.05
煙花紅紅白紅白白紅紅白白白白紅    白白白白

啊????好像更沒有效率??
先看看個平均符號長度  先

L = 0.3(2) + 0.2(2) + 0.1(3) + 0.3(2) + 0.05(4)+0.05(4)
  = 2.3

再看看
   前進進攻全前軍衝  後退原地防守邊守邊退
   紅紅紅  紅紅白紅白白白白白白白紅白紅紅
L = 3

所以
  理論極限(2.27) < 新表示方法(2.3) < 舊表示方法(3)

到底我是講什麼
  出現機率小的事件應用長符號表達, 出現機率大的事件應用短符號表達
  就是因常出現, 故用短符號
  長符號雖長,但出現機率小

上面例子那些紅白, 只不過是0和1
電腦是用0和1去表達所有東西的

英文字, 很明顯, e,s,i的出現機會率一定高過x,y,z
所以這就是為什麼摩斯密碼長度不一樣的原因

數學點, Entropy可看做operator
E是expected value operator,即mean
$H(X) = E[ - \log f ] = \left\{\begin{matrix} - \sum f(x) \log f(x) \textup{ for discrete random variable X} \\ - \int_R f(x) \log f(x) dx \textup{ for continouous random variable X} \end{matrix}\right.$

以上只是Source Coding中最最最最基本
還有其他Entropy, 而且有更多 : Channel Coding, Algebraic Coding, Data Compression, Cryptography等等
更數學,全是Galois Field Theory 和Applied Number Theory

所以若"等我話你知Engine是什麼"就講這些,會嚇走人

不過, 數好的,其實掌握了def
如Conditional entropy

好像很complicated,不過只是由def寫下去而已

[ 本帖最後由 Automaton 於 2014-1-6 06:26 PM 編輯 ]

作者: Automaton 時間: 2013-3-19 06:02 PM

Computational Neuroscience, Artificial Neural Network, Fuzzy System

EEE的魔掌, 什麼都入侵到, 哈哈

等我model 神經給你看

神經元怎樣運作?

因為離子分布不均, 而且通透性不同
細胞膜內外有電位差 (potential difference)
細胞外是 + , 細胞內是 -
Then 個細胞有n條dendron, 當受刺激, ino會流入細胞膜內

個cell 多了 + charge, 自然potential increase

當個potential 上升至個 "要求值"時

個nerve cell就會 "fire" signal 出去

即是發送訊號出

再去經一些方式去回到原狀

Let input 叫 x

一個nerve cell有n條dendron, 即有n個input

不同地區不同ion concentration, 即input有不同weighting , w

個potential 要去到某值才會work, 即是要高過 base value , B

個cell 一係fire signal, 一係not fire signal, OK , 二元值, Sgn( )

所以, 上面一大堆字等於 $\mathbf{y}_i = \textup{sgn } \left \{ \left (\sum w_i f(x_i) \right ) - b \right \}$

老賓講, 這個叫Neural Network Perceptron, 是Information system的一個concept

Information system = ?

Information system 研究怎樣給個蠢機器一些智慧 !!

Smart machine是很重要的一門

如果沒有Smart machine, 機器很

蠢

簡單講, 研究 A.I.

未完待

續 (11)

[ 本帖最後由 Automaton 於 2013-5-5 10:42 PM 編輯 ]

作者: Automaton 時間: 2013-3-19 06:02 PM

Others : Related Mathematics

Related Mathematics in Signal Processing & Control : Optimization & Estimation & Noise Reduction

例如, 一個系統, 我不知道系統特徵, 可以怎樣做 ?

最簡單, 就是對系統輸入不同的 input, 再看看個output是什麼樣子, 去推算系統

例如個系統是一個 squarer , 入5 會出25, 入8會出64, 入10出100, 自自可以由experiment試下就知個系統是一個 squarer

不過

真實世界是不完美的, 是充滿noise的

怎樣去獲得最準的系統資料? Use optimization !

例如輸入, 叫

$\mathbf{a}_i = \begin{bmatrix} a_1\\ \vdots \\ a_n \end{bmatrix}$

個output 叫 $y_i$

Then

$\\ \textup{output=input} \times \textup{system+noise} \\ y_i = \mathbf{a}_i \mathbf{x}_i + n_i$

你入 m 個 input

$\begin{bmatrix} y_1\\ \vdots \\ y_m \end{bmatrix} = \begin{bmatrix} \mathbf{a}_1 \\ \vdots \\ \mathbf{a}_m \end{bmatrix} \begin{bmatrix} \mathbf{x}_1 \\ \vdots \\ \mathbf{x}_m \end{bmatrix} + \begin{bmatrix} n_1 \\ \vdots \\ n_m \end{bmatrix} \iff \mathbf{y} = \mathbf{Ax+n}$

注意, 是一個最大是mXn的system

怎樣可以有最好的 X ? 當然就是要有最小的 n

最簡單的就 Linear Least Square Esitmation

$\textup{ best } \mathbf{x}^* \textup{ when } \ \ \min_{x \in \mathbb{R}^n} || \mathbf{y-Ax}||^2_{L^2} = \min_{x \in \mathbb{R}^n} || \mathbf{n}||^2_{L^2} \\ \textup{ i.e. find } \ \ \ \ \textup{arg} \min_{x \in \mathbb{R}^n} || \mathbf{y-Ax}||^2_{L^2}$

Where $|| \mathbf{b}||_{L^2} = \textup{L2 Norm} = \sqrt{\mathbf{b^Tb}}$

So , $||\mathbf{y-Ax} ||^2_{L^2} = \left ( \mathbf{y-Ax} \right )^T \left ( \mathbf{y-Ax} \right ) = ... = \mathbf{x}^T\mathbf{A}^T\mathbf{Ax} - 2\mathbf{y}^T\mathbf{Ax}+\mathbf{y}^T\mathbf{y} \\$

$\textup{how to } \min_x \mathbf{x}^T\mathbf{A}^T\mathbf{Ax} - 2\mathbf{y}^T\mathbf{Ax}+\mathbf{y}^T\mathbf{y} \\$

$\\ \textup{ General Quadratic Programming : } \min f( \mathbf{x} ) \\ \textup{ where } f \textup{ is Quadratic Function } \\ f(\mathbf{x}) = \mathbf{x}^T \mathbf{Qx} + 2\mathbf{q}^T\mathbf{x} + r$

"Quadratic Function " 不就是 $ax^2 + bx + c$ 嗎?????

Sorry, 現在是N dimension ( N - variable )的Quadratic Function

點找min point ?? M2 Plot 過graph 就知用d , 所以

$\\ \textup{1-D : } \textup{ critical point } x_c \textup{ when } \dfrac{df(x)}{dx} = 0 \\ \textup{n-D: } \textup{ critical point } \mathbf{x_c} \textup{ when } \nabla{f( \mathbf{x_c})} = 0$

中學生的你可能不知道 : 乜都可以 D

$\dfrac{d}{d \mathbf{x}} = \begin{bmatrix} \dfrac{\partial }{\partial x_1}\\ \dfrac{\partial}{\partial x_2}\\ \vdots\\ \dfrac{\partial}{\partial x_n} \end{bmatrix} \textup{ e.g. } \dfrac{d }{d \mathbf{r}} f(x,y,z) = \begin{bmatrix} \dfrac{\partial}{\partial x} f(x,y,z)\\ \dfrac{\partial}{\partial y} f(x,y,z)\\ \dfrac{\partial}{\partial z} f(x,y,z) \end{bmatrix} = \nabla f$

$\dfrac{d}{d \mathbf{x}} \left ( \mathbf{x}^T \mathbf{Ax} \right ) = \left (\mathbf{A}^T \mathbf{+A} \right ) \mathbf{x}$

結果,

$\textup{Best system estimation with least noise : }\mathbf{x}_{min} = \mathbf{A^T AA^T y}$

這個就是最基本的system detection method, 用了optimization和 least square 的方法

未完待續 (12)

[ 本帖最後由 Automaton 於 2013-3-28 02:45 PM 編輯 ]

作者: Automaton 時間: 2013-3-19 06:03 PM

Algorithms

Algorithm就是"步驟"

這個東西無處不在

algorithm太精彩, 我要用2 part去講

也因為algorithm concept可以很深, 我講concept

如果我一開波就講computational complexity, Turing State Machine就太嚇人

由數學一點的Numerical Analysis開始

有沒有想過怎樣計sin29 , $x + e^x = 0$ ?

基本上, 地球人能solve到exact solution的問題的數量和不能solve到的

少n 倍

不信?計下

$\int \dfrac{ \cos^2 \left ( a \cos \theta -b \right ) }{ \sin \theta} d \theta$

這個integral會經常出現在"天線的E-field"這個課題

如果想知"怎樣"計

"Analysis of the Radiation Resistance and Gain of a Full-Wave Dipole”

Antennas& Propagation Magazine, IEEE, 94

問題出現了如果沒有人想到個solve法, 難度就不去solve了嗎???

在合理情況下, 如果個%error 小過0.01, 已經可以當做true solution

所以呢 近似估算 是有用的

怎樣去solve $x + e^x = 0$ ? 太多方法

最簡單Newton's Method

$x_{k+1} = x_k - \dfrac{f(x_k)}{f'(x_k)}$ ,

如果是multi-variable 呢?例如optimization 問題

$\textup{argmax}_{\mathbf{x}\in \mathbb{R}^n} f(\mathbf{x})$

找critical point方法是 solve 個 D 1次的equation

那可用Newton's Method

$\mathbf{x}_{k+1} = \mathbf{x}_k - \dfrac{ f(\mathbf{x}_k)}{ \nabla f(\mathbf{x}_k)}$

如果要知max/min , 要再d

$\mathcal{H}_f = \nabla^2 f = \left ( \dfrac{ \partial^2 f}{\partial x_i \partial x_j} \right )_{i,j}$

如果個問題是 3X3 matrix, 還好不過如果個問題是 9X9 matrix, 而且個function 很難D

怎麼辦? 那就不要去計個 2nd d, 用Approximation去代換

這個精神就是

Runge-Kutta , Adam, Euler, Broyden–Fletcher–Goldfarb–Shanno等等一堆人名algorithm的精神

"不能exact solve, 用approximation"

你可能會問 "approximation 唔準wo"

放心, 這個蠢問題早有人想到

簡單講

冇人話個approximation一直都要用同一個model

個model 可以"邊用邊變/update"

要描述一件事的equation,有作用限制, 不是無限擴大地合適

所以有時會出現 "split function"

從來沒有一個equation可以打天下

中學學的一條過的function是很很很 abnormal的

如是者epsilon-delta, compact set, lipschitz continuous 等等Analysis字眼就會出現

不過我重點不是講mathematics

重點是

一個equation打天下的case 是 異類
個function斷開是正常的

有時個problem不能solve到exact solution

原因可能是因為個model太complex (例如split function)

所以要用approximation方法

而個approximation方法會有error

then 如果如果個 model懂得update自己

（即個approximation function會update自己的話）

個approximation method會愈計愈準

不會有準確度不高的問題

題外話, 更數學的一句 (high-level野)

對於每一個problem都會有一個相對應的用series去solve個problem的方法

當個problem可以有exact method時

其實只不過是個series solution有closed form

所以series的計算可以當是全部problem都可以solve的最後手段

當然沒有東西是萬能的

algorithm要什麼東西支持呢

要Computer

所以

這就是Computer Science & Computational Science 的支柱

簡單例子

你可以用電腦模擬

宇宙大爆炸 ( computational physics)

化學反應 ( Computational Chemistry )

Genetic Changes ( Bio-informatics )

Electromagetic Field( computational electromagnetics, EEE其中一個分支 )

Population Shift (Economics中的Agent-based modeling)

腦活動 (computational neuroscience)

天氣 , 股票, 地震, 生態圈....等等等

這個學問叫

Simulation仿真

講個有趣的事

有沒有玩過 Sims city ?

其實Sims city可以當computational economics 的agent-based modeling

問題來了

如果你部電腦慢, 不就要等n日?

youtube一下

『フカシギの数え方』おねえさんといっしょ！みんなで数えてみよう！

是個經典combinatorics問題

睇完個片應該會有個"feel"

知道algorithm的幾個特點

1.要快(計個10X10要25萬年)

2.要準(error大 = 廢 )

3.要細 (如果要99999TB記憶體,會load爆機)

那怎麼辦

最簡單就是

個方法會"自己更正自己"

這個概念是超級勁的!!!!

我下面會詳細講幾個例子

Adaptive Control

Trust Region

Genetic Algorithm

未完待續 (13)

[ 本帖最後由 Automaton 於 2013-5-6 12:14 AM 編輯 ]

作者: Automaton 時間: 2013-3-19 06:03 PM

A. I. : Machine Learning, Pattern Classifcation / Clustering
現時的確有機械人, 識跑識走

不過要個機械人去洗碗扔垃圾而不是洗垃圾扔碗就很難 , "電腦沒腦"

那麼怎樣令一塊廢鐵由沒腦變有腦 ? 就是要有A.I.

A.I. 很大, 我集中講 Machine Learning

Learning 分幾種 : supervised learning, unsupervised learning, reinforced learning

最最最最最簡單的learning叫kNN K-nearest neighbors

例如要教個機械人去分個人有沒有心臟病?

首先要有特徵 Feacture, 例如體重, 脂肪比

之後plot 2D graph, 例如上圖, 當紅點是有心臟病, 藍點是沒有

那麼當在有了N個分類好了的資料之後

新一個未分類的資料, 例如個白點, 如何知他有沒有心臟病?

kNN 的精神是 , 用最近那點的k個點做決定
例如如果那點周圍都是紅點, 即那個人的特徵在有病的人那個群之中, 就當那人有病

K可以是1,可以是3 , 也可以是99

即例如99NN即是說用頭99個最近的資料點去決定到底白點是有沒有病

-------- Concept 完 , 開始數學 ----------

$\mathbf{x}_{new} \in c_i \textup{ if } i = \textup{arg min} \left \mathbf{ dist} ( \mathbf{w}_i , \mathbf{x}_{new}\right )$

dist : distance function / norm

x : N dimensional feature vector

w : N dimensional classificaed featue vector data

Norms :

Lp Norm

Hamming Norm

Simsimilarity

to be continued

[ 本帖最後由 Automaton 於 2013-7-22 05:31 PM 編輯 ]

作者: Automaton 時間: 2013-3-19 06:03 PM

Human Computer Interaction HCI (人機互動)

首先我要洗你腦
你首先要學著跳脫出原有習慣
意思是,有很多事物,不是必然的

大自然天生有洗衣機?有電話?會有電視?電腦?小學生都知咩愛迪生發明電燈啦(雖然是假的

)

天生有升降機?生天有刀?有鏍絲釘?有碗?

你習慣用工具到已到了覺得理所當然

我用你的角度去講 : 現在2013年, 看文章的你應F6升大學
應1995-99出生,那時沒iPad沒智能手機
所以你童年是 : Game Boy, GBA, PS1 PS2, 電腦
你會留意到(地鐵西鐵東鐵巴士), 2000後小朋友是”手機派”
他們會覺得智能手機是”理所當然”,電腦是”正常就有”之類

其實你也一樣
你已完完全全習慣一開水龍頭就有自來水,自動有有電有煤氣
我現在只是叫下”非洲” 2個字, 你都應該知我接下來想講什麼(以你的年資如果不知道我想講咩你可以去撞豆腐)

沒錯,你要學會”跳脫出原有習慣”
為什麼呢?這樣做有幾個好處
人格上,最少你學會珍惜,不要浪費 (OK,我不是來宣傳環保的,這點講完)

你跳脫出原有習慣, 注意生活周遭的各種細節, 你會發現更多, 這點更重要
如果你有注意生活周遭的各種細節
   有思考下為什麼這東西要這樣設計
   有想下這樣做有什麼好壞
   有思考過有沒有更好方案
你有這樣做時
你就不再是一個坐地鐵/巴士時只懂得玩手機上What’s app/Facebook和朋友講一大堆沒營養資訊的人

當你習慣觀察細節後，就會察覺到你習慣的環境處處都是設計後的結果
什麼手機電腦冷氣藍芽Wifi氣水機充滿改進空間

因為這些東西不是石頭爆出來的, 都是經某些人思考過的(engineer)

仔細觀察,“有時”會發現很多設計都是為因應限制(例如技術限制, 環境限制 )

不過!

這些限制現在不一定存在! 所以才先有發揮空間
就好對比你有以前沒有足夠工具, 現在有了, 可以化解更多問題!

例 : 20年前電腦很慢, 網路更慢到飛起, 那是技術限制
現時, 網路不慢, 電腦更不慢, 有人就想到 “啊, 沒有速度限制, 不如試下把幾十部電腦連接, 當一部電腦囉喂 ! ”
這就是”super-computing”
在我講完“你要學會”跳出原有習慣,仔細觀察平常事物”後

你會發現, 其實
Super computing的idea其實真的很很很很很很simple : “連多幾部電腦” that’s all
不過因為你沒有去跳出習慣,觀察思考, 而那個人有,所以那個人"發明了"

“跳出習慣,觀察思考”, 其實不過是個problem solving methodology
這個思想, 數學用得最多
不用限制在數學,更要用在日常生活
要多用腦
這樣會令眼光變大,看到更遠

如果你思維不夠老,看不明我講什麼鬼話, 如此幼__的話,我用個fact去amaze你等你知道這個東西為什麼那麼重要

---------------------- HCI 開始 --------------------------
為什麼Apple近年那麼熱呢? 人人都講 “好用”, 好用什麼?

首先,我相信大部份人都用過Microsoft Office Word,有沒有留意,那些按鈕擺法好像不同version不同呢?
再問個問題, 為什麼Apple OS永遠都把menu bar放在最上面,不過window放在title bar下面呢 ?

(如果你答因為2間公司對立所以不可以一樣, 那你真是蠢過隻__ )

告訴你一條equation : Fitt’s Law $T = a + b \log_2 \left ( \frac{D}{W}+1 \right )$
T: 移到目標時間
D: 目標距離
W: 目標大小
a,b: constant

Fitt’s Law講什麼? 就是 目標越遠移動時間就越長
嘩,真係廢話廢到爆....No no no ! 等你告訴你這句你覺得是廢話的law有幾勁

這句說話就是apple 大熱的其中一個原因
Recall : 為什麼AppleOS永遠把menu bar放再螢幕頂,window就放在title bar下面呢

用Fitt’s Law : 滑鼠從視窗內去到menu bar距離比移到螢幕頂近, 所以
$D_\textup{Window} < D_\textup{Apple} \Rightarrow T_\textup{Window} < T_\textup{Apple}$
結果Windows設計較好
好像很有道理, 不過我不是想講apple設計好嗎??

sorry, 你沒有跳出習慣, 沒有留意細節
你用滑鼠用上腦仲不知 : 不是什麼大秘密, 只是想提提你,滑鼠有個特性,就是活動範圍有限制
不可出螢幕,pointer一到幕邊,如何向外移都無效,這就是key point,就是如此簡單key point

Apple menu bar放在螢幕頂, D是變長,
不過目標大小W也跟著變無限大!!!!!!!!!!!!!!!!!!!!!!!
因為螢幕邊會阻pointer,所以可以當一定中,可等價做W=無限大
結果用Fitt’s Law
$\textup{when w}=\infty \textup{, }T _\textup{Apple} = a < T_\textup{Window} = a + b \log \left ( \frac{D}{W} + 1 \right )$
你可以不用理3 7 21 用力甩滑鼠, 不需要停下來描準
所以Mac機把menu bar放到螢幕頂是有原因有學問的

蠢人/無知的人先會以為是咩 “風格啊, 習慣啊” 等等垃圾錯答案

連條bar擺位都可以有學問, 問你服唔服

我唔講你一定不會知道, 為什麼有人會知道?

因為你沒有跳出習慣,沒有留意細節, 你是看不出什麼亮點的

這也是做research要有的特點, “要睇得出別人睇唔到的“

現在你可以做個練習去思考一下
為什麼個Word的按鈕的擺法,例如,為什麼個開始要放最左?放中間唔得咩?放最上呢?再思考一下如果連個task bar都放到最上會有什麼影響?
What about this one ?

你可能會話, 哇, 差距小不明顯, 你想像一下window要需要停下來描準, Apple 不需要
你想像一下如果一日一間公司如此多人, accumulating effect可以幾大? That’s why 點解apple熱, 因為user interface真的好

我在ENGG1001等我話你知Engine是什麼已講過, 這就是Engineering一個精神, 要用到盡
你不能把功能發揮到100%, sorry you fail

所以, 特別是software development industry, 基本上是天才鬥天才, 你估yahoo google IBM易人啊
人去做programmer當你code monkey有你份

所以呢, 我再次強調, IT不是”打program”, 打program最垃圾, 中學生or街邊路人甲買本書or上youtube自學都得識, 大學IT只是學打code ?低能

(to be continued)

[ 本帖最後由 Automaton 於 2013-5-30 11:29 AM 編輯 ]

作者: Automaton 時間: 2013-3-19 06:04 PM 標題: Emerging technologies

Emerging technologies

Wireless Power Transfer

Ultra-thin circuit
E-paper

Hologram , Screenless Touch Screen (電影 Minority Report )

High efficiency solar power

Laser Ignition

Ultra-high bandwidth

Bio-computer

Quantum Computer

Photon Computer

Cloud Computer

M-Ram

Smart Home

Smart Traffic System

Humanoid Robot

Robot Suit : HAL (Hybrid Assistive Limb, 日本D戰隊 )

BCI ( X-man 個 X博士 )

Virtual Reality Gear

未完待續 (16)

[ 本帖最後由 Automaton 於 2013-3-24 10:45 PM 編輯 ]

作者: Automaton 時間: 2013-3-19 06:05 PM

Engineering的精神

將一複雜系統, 分解(decoupling)成許多簡單並易於處理的組件(模組)

先思考個別模組內部問題,

再思考模組之間互相整合的問題

拆解（decomposition, divide-and-conquer）

由上而下（top-down）將大問題分解成若干個小問題，持續反覆地拆解，直到問題夠小為止

組成（composition）

先確定基本組件，由下而上（bottom-up）將組件逐漸整合，構成完整的系統

Engineering的分層

[attach]44138[/attach]

停一停, 你在看到這句之前,
"你有冇禁醒, 一早知道A.I. , neural network, control theory, information theory 這野是電子工程的? "
"你最多咪只係知道有電子零件電路設計之類gei 野 !"

最後一句

我講了很多東西

其實那只是

我知道的東西的 100分之一 ( 應該有 )

只是我不想寫而已

我隨便可以數到一大堆再advance少少的野 :例如

common spatial, Fourier Optics, Linear matrix inequality,

balun RF filter, microwave black hole, OFDM CDMA,

generalized multi-linear regression, dynamic chaos,

quantum brain model, grobner basis, electromagnetic scattering, radar

quantum computing,nano thermo-electro-photonic characterization

....................

...................

知識是無限大的

中學讀到幾多A , 都是一樣廢一樣無知

你識太少, 太少, 少到離譜, 有如廢人

如此平庸沒出色, 發夢有你份

想脫離低智一族

仲唔快去看大學書

未完待續 ( last)

[ 本帖最後由 Automaton 於 2013-5-25 08:36 PM 編輯 ]

作者: yeungwk91 時間: 2013-3-19 06:31 PM

push

[ 本帖最後由 yeungwk91 於 2013-3-20 08:16 AM 編輯 ]

作者: yeungwk91 時間: 2013-3-20 08:19 AM 標題: 回覆 4# Automaton 的帖子

You have not used the SI unit.
haha

作者: godofeng 時間: 2013-3-20 09:49 AM

唔知我講什麼的, 反省下為什麼那麼無知

雖然我理想不是讀engine,但我會好好反省

作者: hkjk3000 時間: 2013-3-30 03:57 PM

automation 哥, 我次次睇完你個post 就變到好有動力, 希望你可以寫多d 唔同既post la

作者: Automaton 時間: 2013-3-30 11:14 PM

引用:

原帖由 hkjk3000 於 2013-3-30 03:57 PM 發表
automation 哥, 我次次睇完你個post 就變到好有動力, 希望你可以寫多d 唔同既post la

我近排略忙
搞腦波電腦project
沒有上年寫得那麼快 !

[ 本帖最後由 Automaton 於 2013-4-19 07:37 PM 編輯 ]

作者: 浦原喜助 時間: 2013-4-7 03:45 PM

提示: 作者被禁止或刪除內容自動屏蔽

作者: 浦原喜助 時間: 2013-4-7 03:46 PM

提示: 作者被禁止或刪除內容自動屏蔽

作者: hk1989 時間: 2013-4-7 08:42 PM

Support

作者: KIT817 時間: 2013-4-23 12:58 PM

師兄D POST好正!!!

作者: wonghk 時間: 2013-4-24 12:09 AM

嘩,佩服佩服

作者: amarge1 時間: 2013-4-24 12:12 PM

Thx!!

作者: 龍嘯天 時間: 2013-4-24 01:38 PM

強帖留名

作者: KIT817 時間: 2013-4-27 07:08 PM

睇唔明

收藏等大學時睇(入到的話

)

作者: christinali 時間: 2013-4-28 12:55 AM

我明白樓主鍾情engineering
但係「改變世界的不是科學家, 是Engineer」未免自視過高
你一開始提到Maxwell's equations 根本就係pure physics既產物

engineering 根本好大程度上依賴由physicists 發現/formulate 既物理定律+數學家發明既數學工具

我唔否定engineering 對世界既貢獻但係你講到「改變世界的不是科學家, 是Engineer」我就好唔認同

[ 本帖最後由 christinali 於 2013-4-28 12:59 AM 編輯 ]

作者: Automaton 時間: 2013-4-28 01:19 AM

引用:

原帖由 christinali於 2013-4-28 12:55 AM 發表

我明白樓主鍾情engineering
但係「改變世界的不是科學家, 是Engineer」未免自視過高
你一開始提到Maxwell's equations 根本就係pure physics既產物
]engineering 根本好大程度上依賴由physicists 發現/for ...

有時有些理論反而是來自Engineer ...
Maxwell Equation 真真正正來自Oliver Heaviside,一位Engineer
Maxwell 真正工作只是 displacement flux, 不是整套 Vector Calculus Equations
Physics的東西沒有人去Apply的話你力學幾叻都係不能夠做到一部]汽車
最能改變世界就是普及化
普及化就是Engineering其中一個主要工作
當然你可以話核彈不用
普及化也可以改變世界
還有一件事唔好以為Pure Science大晒Pure Science 只是一直掘深去更清楚事物的真相
講一大堆"顛覆你常理的東西"就叫好amazing如果是如此的話就完全不知道為什麼Engineering會更amazing
探索真相是很amazing

不過無中生有的性能最大化的應用概念比探索真相更amazing
我都是理科人, CE AL中學時一樣只有Science
不過見識到Engineering之後
無得比
你可能唔會明

我所講的可是來自無數的經驗你以為我老吹啊

[ 本帖最後由 Automaton 於 2013-4-28 01:43 AM 編輯 ]

作者: christinali 時間: 2013-4-28 01:22 AM

引用:

原帖由 Automaton 於 2013-4-28 01:19 AM 發表

Sorry , Maxwell Equation來自Oliver Heaviside,一位Engineer

Physics的東西沒有人去Apply的話

你力學幾叻都係不能夠做到一部汽車

Oliver Heaviside 中年+晚年既研究都係偏重EM theory 加上佢只係將maxwell's eqns 數學上重新表達咋wor

你工程幾叻都冇用冇左物理定律/數學工具你都係做唔到一部汽車

不如你諗下:
如果從來冇物理既發展同進步仲會唔會有工程？

[ 本帖最後由 christinali 於 2013-4-28 01:28 AM 編輯 ]

作者: Automaton 時間: 2013-4-28 01:40 AM

引用:

原帖由christinali於 2013-4-28 01:22 AM 發表

Oliver Heaviside 中年+晚年既研究都係偏重EM theory 加上佢只係將maxwell's eqns 數學上重新表達咋wor
你工程幾叻都冇用冇左物理定律/數學工具你都係做唔到一部汽車
不如你諗下:

如果從來冇物理既發 ...

Do you know Modeling 有3大派
Analytic Stochastic Numeric
Engineering多數用第2,3派, EM特別是第3派, 而不是第1派[
Engineering的EM基本早已不會用Maxwell Equation
因為太完美
所以有很多很多很多approach, mostly developed by engineer ,去solve problem
因為Pure science 的研究空間有時太ideal, 現實不可能ideal不過別以為只是solve solution的問題
有其他因素, 我暫不講
最出名例子Finite Element, Monte Carlo
自己去search下

[ 本帖最後由 Automaton 於 2013-4-28 01:43 AM 編輯 ]

作者: Automaton 時間: 2013-4-28 01:52 AM

引用:

原帖由 christinali 於 2013-4-28 01:22 AM 發表
Oliver Heaviside 中年+晚年既研究都係偏重EM theory 加上佢只係將maxwell's eqns 數學上重新表達咋wor

這不只是 "重新表達"
你有冇睇過Maxwell本書?如此凌亂
Heavisie 不是"重新"表達
是"adopt new notation"
2者是不同的

話你D, Heaviside個寫法,只是n種之中的一種
上到去有其他notation
知唔知dyad ? 知唔知Gauge ?
難道都是"重新"表達?

作者: Automaton 時間: 2013-4-28 02:05 AM

引用:

原帖由 christinali 於 2013-4-28 01:22 AM 發表
你工程幾叻都冇用冇左物理定律/數學工具你都係做唔到一部汽

理論的重要性是在 "準確度", "可行度"

我可以講
Physics讀的EM 和 Engineering EM 很不同
Physics會講QED, Relativistic EM

因為需要作"correction term"
不過Engineering的重要是"用"

(以下是真事, 別以為我吹水)
例如起條橋, 不需要用到咩Orthogonal series representation去知個橋的function
個作用是 "更準確"
不過在 "合理程度下的approximation", 例如cubic polynomial spline line segment approximation , 夠用, 快, 就可以
搞"事實真相" 和搞 "東西" 是2回事
你同個engineer講用Orthogonal series representation
佢會一句 "你都痴線"

我可以講一個例子
幾乎所有Engineering EM都是Classical Electromagnetism
很少有QED和relativity 修正
基本上classical EM夠用
而且, 也不是classical 的EM
而是Computation EM (我已講過, Maxwell equations太完美, 根本沒有用)

當然完全沒有QED和relativity就是騙你的, 一定有地方會有更細的理論修正
不過那些是Quantum Optics, 搞solar cell, or 衛星通訊, 都已不太算EM了

作者: Automaton 時間: 2013-4-28 02:07 AM

有討論是好事
可以透過討論令人更清楚EEE講什麼

作者: entera 時間: 2013-5-2 01:32 PM

em32

作者: Automaton 時間: 2013-5-6 12:21 AM

Update : #14

作者: Automaton 時間: 2013-5-12 08:17 PM

Update : #8

作者: kscheung1991 時間: 2013-5-16 02:32 PM

For polyu,
Which following programme is the most difficult and which one is the second?

1 Electrical Engineering
2 Electronic and Information Engineering &
3 Mechanical Engineering

作者: Automaton 時間: 2013-5-18 06:08 PM

引用:

原帖由 kscheung1991 於 2013-5-16 02:32 PM 發表
For polyu,
Which following programme is the most difficult and which one is the second?

1 Electrical Engineering
2 Electronic and Information Engineering &
3 Mechanical Engineering

I can not answer your question unless you tell me what is your goal in these fields

作者: pearwong 時間: 2013-5-18 07:02 PM

想問問有什麼RF&microwave, wireless communication的書較好???

作者: Automaton 時間: 2013-5-18 07:25 PM

引用:

原帖由 pearwong 於 2013-5-18 07:02 PM 發表
想問問有什麼RFμwave, wireless communication的書較好???

First reading : Pozar

Then

RF Circuit : Razavi , G.Gonzalez, Bowick, Ludwig

Antenna : Balanis

Network : M.N.O. Sadiku

By the way, google keyword "ARRL"

作者: pearwong 時間: 2013-5-18 08:04 PM

引用:

原帖由 Automaton 於 2013-5-18 07:25 PM 發表

First reading : Pozar

Then

RF Circuit : Razavi , G.Gonzalez, Bowick, Ludwig

Antenna : Balanis

Network : M.N.O. Sadiku

By the way, google keyword "ARRL"

ching係EE人???

作者: Automaton 時間: 2013-5-18 08:13 PM

引用:

原帖由 pearwong 於 2013-5-18 08:04 PM 發表
ching係EE人???

你試我

?
Yes, 我讀Electronic

作者: pearwong 時間: 2013-5-18 08:43 PM

引用:

原帖由 Automaton 於 2013-5-18 08:13 PM 發表

你試我?
Yes, 我讀Electronic

想問問electronic field 係咪saturate得好緊要啦

???

[ 本帖最後由 pearwong 於 2013-5-18 08:46 PM 編輯 ]

作者: Automaton 時間: 2013-5-18 09:49 PM

引用:

原帖由 pearwong 於 2013-5-18 08:43 PM 發表

想問問electronic field 係咪saturate得好緊要啦

???

我可以告訴你講其實香港有很多公司是世界級
只是門外漢不知道而已

例如港島有間公司搞hard disk 個讀頭, 佔全世界70%生意
例如科學園有個人自己搞個program可以比甲骨文個300萬database更強

香港也其實有很多人是世界級
也只是門外漢不知道而已

要知當然要自己有心去找世界不會等你
機會自己找

當然, 如果讀得較差
這些機會就不是你們的了

簡單講
$\textup{The return value = }\left\{\begin{matrix} \textup{ if poor result , same as high school graduate}\\ \textup{ if below average, is an not valuable employee } \\ \textup{ if above average, charter is your way } \\ \textup{ if excellent, unpredictably good } \end{matrix}\right.$

即是說
讀得差 , 彈開
因為Engineering 不是容易的

讀得好, 你肯的話可以有料到reject IBM 自己開公司

問得 "saturation " , 多數沒信心

(火爆mode on )

有冇做過intern?有冇出過國?

有冇research experience?
有冇working experience?
識唔識寫literature review? 識唔識找paper?
識唔識人 ?
English OK ? computer skill OK?
GPA > 3.5 or 3.7?
有冇什麼prize /international competition prize?
有冇做過什麼self-proposed project ?

試想下
如果上面一樣都沒有的人 (我不是要求全部都有, 當然全部都有的人, 大有人在)

如此 "一般"

憑什麼想有"好"一點的回報?

以為喜喜哈哈開心錄過大學

咪傻啦

大學就是如此

勁就狂送錢狂送機會給你 (勁prof個個都大把funding, 要人不要錢! )

廢就死開

這不是special case, 這很normal的

人向高處望

(火爆mode 完)

所以呢
問 "所謂出路" 問題之前
問下自己先

不是做到不做到的問題

是有沒有心做的問題

所以呢, 你問我saturated?
我見到大把世界

現時, 最好有個Master, 就stable一點
當然, undergrad GPA過3, 太太太太基本
而且讀上去要的不是"讀書能力"
而是"睇野的能力" , 要"睇到別人睇不到的事"

作者: 浦原喜助 時間: 2013-5-18 10:00 PM 標題: 回覆 49# Automaton 的帖子

提示: 作者被禁止或刪除內容自動屏蔽

作者: Automaton 時間: 2013-5-18 10:08 PM

引用:

原帖由 浦原喜助 於 2013-5-18 10:00 PM 發表
Excuse me sir !? Wrong grammar and runoff sentence discovered, "is an not valuable employee" --> "is not a valuable employee" ~ juz some minor mistake.... content is good...LOL

For give me I am a stupid English illiterate

em46

作者: 浦原喜助 時間: 2013-5-18 10:09 PM 標題: 回覆 51# Automaton 的帖子

提示: 作者被禁止或刪除內容自動屏蔽

作者: Automaton 時間: 2013-5-30 11:29 AM

update #16 Human Computer Interaction

作者: Automaton 時間: 2013-6-5 02:22 AM

閒談數學 : Mathematics / Applied Mathematics / Pure Mathematics / Computational Solver / Software in Engineering

因為我火爆mode, 犯了些錯, 講錯了些東西

詳情 : http://lsforum.net/board/thread-225526-1-1.html

為了補罪, 我就分享下 "會在Engineering出現的數學"

留意, 1. 會在Engineering出現的數學, 不是只出現在engineering, 可以出現在其他地區
2. 會在Engineering出現的數學, 可以是任何數學, 所以如果中六升大學, 個暑假最好self-study "M1 M2 Physics" (如果肯self-study AL pure + applied, 更好)

---------開始-------------------------------

首先是一些"數學寫法"

例如 $\sum \textup{ and } \prod$

大學的數, 都會是"generalized到任意項", 這個情況下, 如果寫晒出來, 會變 "罰抄"

例如一些 Series (e.g. Taylor Series )
$e^x = 1 + \dfrac{x^1}{1!} + \dfrac{x^2}{2!} + \dfrac{x^3}{3!} + ...$

如果用簡寫
$e^x = \sum_{k=0}^{\infty} \dfrac{x^k}{k!}$

簡潔!!!

你可能會講, 禁都叫簡潔??? 幾筆唔係簡幾多wo !

那你就錯了

例子 , exponential 不只是 number, 連matrix都可以 exponential
$e^{Ax} = I + \dfrac{Ax}{1!} + \dfrac{A^2x^2}{2!} + \dfrac{A^3x^3}{3!} + ...$

結果萬一...
$A = \begin{bmatrix} a & b\\ c & d \end{bmatrix} \\ e^{Ax} = I + \begin{bmatrix} a & b\\ c & d \end{bmatrix}x + \dfrac{1}{2} \begin{bmatrix} a & b\\ c & d \end{bmatrix}^2x + \dfrac{1}{3!} \begin{bmatrix} a & b\\ c & d \end{bmatrix}^3 x^3 + ...$

已經是罰抄 !! 如果 A 是 3X3, 罰抄都傻

(題外話, matrix  exponential 會常出現在 Control Theory 那一邊 , 而且有些有趣性質, 例如思考下what if b=c=0 ! )

有時, 連summation notation都覺得多筆畫 :

$\textup{Hyper plane } a_1x_1+a_2x_2+a_3x_3+a_4x_4+...$
可以寫做
$\sum a_k x_k$

不過, 如果用 vector 寫
$\sum a_k x^k = \mathbf{A}^T \mathbf{X} \\ \mathbf{A} = \begin{bmatrix} a_1 \ a_2 \ a_3 \ ... \end{bmatrix} ^T \\ \mathbf{X} = \begin{bmatrix} x_1 \ x_2 \ x_3 \ ... \end{bmatrix} ^T$

就3個 symbol , A, T, X 很很很很很簡便

如果不用geometry去看vector, 用"array"去看的話, vector其實可以"當" 一個n-dimensional data storage

vector 的 sub-element "互不侵犯" , 所以可以睇做 "orthogonal to each other / independent "

例如, 顏色可以是一個 3D vector : [ Red, Green, Blue ]
e.g. [ 100, 0 , 0 ] = pure red, [50,0,50 ] = purple
這種對vector的看法, 是很常見的abstraction method

而且, 如果再用上linear algebra的看法
那麼, weighting vector就超超超常見

--------

接下來是 奇怪function

$sgn(x) = \dfrac{x}{|x|} = \textup{True or False } = 0 \textup{ or 1 }$

我亂個例子講下有什麼用 :

小明去排隊, 他有個東西決定排不排 : 如果要等多過5分鐘, 我就走人 !
那麼如何model這個問題 ?
我不是講排隊理論, 我是在講"Neural Network"

假設一條隊有n個人,
要處理的時間是t1, t2, t3 ,t4,.... 有n1個人的
處理的時間是t1, n2個人的
處理的時間是t2, .... 而 n1+n2+n3+... = n

$\\ \textup{ if } n_1t_1 + n_2 t_2 + ... > 5 \textup{ leave } \\ \textup{ if } n_1t_1 + n_2 t_2 + ... < 5 \textup{ don't leave }$
(假設沒有等於)

上面一大堆文字可以一條equation表達 : $y = sgn(N^TT-5)$
如果包括等於, 改做function definition就可以
------------------

如果小明講 : 多過5分鐘,一定走人 , 少過2分鐘,一定不走, 2-5分鐘就, 嗯,應該會走, 也可能應該不會走
這時呢, 不能 exactly 1就1, 2就2, 有"fuzzy"

回饋下pure maths的 Set language $a \in A \textup{ = a belongs to A }$

$A = \{a,b,c\} , B = \{ \alpha,\beta \} \\ A \cup B = \textup{ A or B } = \{a,b,c,\alpha,\beta \}$

在 Fuzzy Set Thoery, 另一個set theory,
有新definition

classical set definition 的 "membership" 是 exactly 1就1, 2就2
$\mu_A(x) = \left\{\begin{matrix} 1 \ if \ x \in A\\ 0 \ if \ x \notin A \end{matrix}\right.$

Fuzzy就可以看做"extend membership from [0,1] to [0 1]"
$\mu_A(x) \in \begin{bmatrix} 0 \ \ 1 \end{bmatrix} = \textup{ any value between 0 and 1}$

例如
小明講 : 多過5分鐘,一定走人 , 少過2分鐘,一定不走, 2-5分鐘就, 50%會走
$y = \left\{\begin{matrix} 1 \textup{ : if less than 2 minutes }\\ 0.5 \textup{ : 2-5 minutes }\\ 0 \textup{ : if more than than 5 minutes } \end{matrix}\right.$

而Fuzzy Set 的 or/and  :
$A \cup B = \left \{ \max \left ( \mu_A(x) , \mu_B(x) \right ) \right \} \\ A \cap B = \left \{ \min \left ( \mu_A(x) , \mu_B(x) \right ) \right \}$

例如
A 有 a("0.5"屬於A), b("1"屬於A)
B 有 a("0.3"屬於B), c("0.2"屬於B)
A and B = C = a("0.3"屬於C)
因為B沒有b("0"屬於B), c也沒有在A
這個definition agree with classical set definition

為什麼會有如此"many-value logic" ?
因為classical set theory不能model "fuzziness"
所以Fuzzy Engineering由Lotfi A. Zadeh, 一位control engineer提出 (當然, 數學家個名勁D, D人會叫佢mathematician )

Fuzzy的Neural Network會由 Sgn function 變 Sigmoid function

還有其他, 例如bipolar sigmoid 等等soft limiter

----------------
由此可見, 出現在Engineering的數學
有時和Pure Mathematics department的, 有點出入

大家都要學的complex analysis, vector cal 等等就不講了
例如Fourier Series, Helmholtz theorem 等等, 需要熟練
----------------

那麼很pure的東西, 例如Algebra中的Group, Ring, Field會怎樣呢
當然engineering就不會去研究得那麼深入
不過有時會用到

我講幾個example
Wavelet Analysis
Grobner Basis
GF(2^n) and GF(p)

先講Grobner Basis,作為Engineering人
我不想講Grobner和Ideal, sub-ring, close, 等等abstract algebra的東西
用"怎樣用"更能令人feel到是什麼
因為"怎樣用"更"tangible"

其中一個application是 :

Grobner Basis 是 "Generalized Gaussian Elimination"
Gaussian elimination可以solve system of linear equation
那麼"system of NON-linear equation"呢 ?

我用一例 :

$\left\{\begin{matrix} xy - 2y \\ 2y^2 - x^2 \end{matrix}\right.$

首先要

----------------

Group , Ring, Field, Ideals, Galois Field

Cryptography

----------------

FFT, STFT, Orthonormal Basis, Haar Wavelet

(to be continued)

[ 本帖最後由 Automaton 於 2013-7-4 07:34 AM 編輯 ]

作者: edmondfan 時間: 2013-7-7 12:21 AM

你的帖子確是令人感到有學習的熱誠，亦令我們深刻反省現有的學習態度。
      當中的知識令我明白到何謂工程、何謂電子工程。
      但我認為有一些內容，難免令人感到偏頗，也令一些正就讀中學的人對自己的志願會深深感到疑惑。
      我是這次中學文憑試的考生，對科學深感興趣，但並沒有對科學知識，甚至工程上的知識有極深刻的了解，所以這次回覆上的內容若有錯誤，還請各位師兄指點。不過，我會盡自己己有的知識回覆。

      我認為你的帖子可能會令一些希望入讀科學的學生卻步，反而就讀工程學科。
──────────────────────────────────
地球不需那麼多人去搞pure science,而需更多人去搞科技
以一個更現實的看法, 不是人人都是愛因斯坦
不過人人都可以是Steve Jobs

想做所謂科學家
麻煩有應該有的心態, 應該有的技巧, 應該有的知識
而非 "我想讀physics" 這些智障都懂的句子──────────────────────────────────
      就這兩段說話而言，我認為你的想法十分偏頗。可能你的意思和想法是希望令人反思為何就讀科學，也是對「理科難過工科」的這句話憤怒，但由於排版比較混亂，可能令一些觀看這個帖子的學生產生誤會。
      但若不是上述的意思，我認為這個發言是令人困惑。就你所述，難道入讀工程，也根據你的學習方法，就可成為Steve Jobs？答案明顯是不盡可能。
      機遇、資本、創作力等都是決定的因素。
      借用你的一句說話「世界超級大的，沒有你想像中的簡單」。

不少科學家也是以「我想讀科學」的興趣，與書本、老師、講座的經驗一起昇華至希望研究世界的法則和探究世界的志願。

正如研究複雜，製作遺傳演算法的科學家賀南(John H. Holland)也是看到科學書本，萌生「我想讀科學」這個基本的想法。

所以，「我想讀科學」（雖然我不清楚智障的人士會不會聽得懂）這個想法並不愚蠢。愚蠢的人只是不珍惜讀書機會的人罷了。

這個就是讀科學或各學科的人的心態。

技巧、知識可以輔助，令人走向成功，但現在選擇大學的學科需要的是心態。３３４學制下，學生可以入讀一個系，經過一年的洗禮，選擇自己希望讀的學科。知識都可以在這一年吸收，難道時間上會太遲嗎？再者，這年時間正好令他們明白他們的學系

「需更多人去搞科技」沒有錯，但不能只因為你的看法、你認為他們不可能的想法而令他們入讀工程。世界超級大的，你沒有資格藉此看低他人的熱情。即使我讀上大學，也成功拿到教授的資格，也不能說出「地球不需那麼多人去搞哲學，而需更多人去搞科學」的說話。
      你在＃２的帖子（不知是否用樓來表達較好）中的一些問題，確是會令人反思為何讀科學，但你其中一些答案確是不太合適。例如「乜Engineering好失禮咩?」，我那刻想到「科學家也失禮嗎？」這個問題。我的原因，的確是有點無無鬧的感覺，但令我產生為何針對科學的不解。

      其次，你希望讀者看大學書的做法，我不太讚同，但由於我沒有教學經驗，因此這些說法，請勿見笑。
      我希望入讀數學科，因此，我經常會自行看一些比較高深的書藉。但是，我的數學老師，也是啟發我的志願的人生導師也對我說：「千萬不要看低興味書。簡單的十萬個為什麼，也可令你明白更多，熱情更甚。」這句句子，我確是終生受用。
      這個世界並不簡單，但不能因這個原因，而忘我地汲獵一些高深的知識，卻忘記自己對學科的熱情或感覺（我不太能輕易說出……但就像愛情一樣慢慢變深變厚的。對不起，不明解的人請無視這句，因為我無法以文字表達這種情感）。
      知識沒有分大學、中學、小學。但盲目地看高深的書，只可能令自己望而卻步，毫無用處。為何不趁著這個假期或中學生涯漫漫加深自己對一些學科的興趣呢？專門知識的書，看後，明白後，確是有種自豪感，但並不是可引起興趣的。這種自學，我確不感到明智…
      比較好的做法，不是先介紹別人看一些容易的入門書嗎？雖然自學是十分重要，但我反對盲目的自學。
      雖然看後會感受到這個學科的偉大，但等待你的大學生涯起步，再從講師身上吸引足夠的知識，才跨越這道高牆，比較有效率和好的學習方法。

      世界超級大，但它卻包容一切，各種的學術分支，世間的萬物，正是我們學生時期應好好放慢節奏欣賞，尋找喜愛的道路。沒有我想像中的簡單，但不能因困難而卻步，不能因別人所述的困難而輕易改變，不能正因為難，而給出專業的知識，嘲笑別人是呆子。

      我沒有意思挑起罵戰，也沒有意思針對你。只是因為你這個帖子是難得的高質素，所以我希望作出小小的提點，以令學弟學妹對這個帖子有更好的體會。

      我這刻的發言確是有如黃毛小子一般，不明白世界的辛苦，也不明白世間的複雜，我也不知自己這種「青春」的想法可以維持多久。但這是我讀過你的帖子後希望發表的意見。

[ 本帖最後由 edmondfan 於 2013-7-7 12:23 AM 編輯 ]

作者: Automaton 時間: 2013-7-7 03:40 AM

其實我近日忙得不可開交
不過見你回覆如此有心, 我就回覆下

我火爆 / 偏激, 是有原因的
其實我都不想如此
我用個說法你就會明

有個人叫小明, 小學1年級學生和你講 , 我想下年考DSE"
你會有什麼想法?
你可能會有 : 1.笑話, 小明真是不自量力
2.哇好好好好 !!!
你認為哪個是可能性高的?
Gaussian distribution告訴我們 : (1)
(那些什麼13歲入大學那些就不用講了)

那我是否 "狗眼看人低" 呢 ? 部份正確 , 算是也不算是

引用:

原帖由 edmondfan 於 2013-7-7 12:21 AM 發表
...... 所以，「我想讀科學」這個想法並不愚蠢。愚蠢的人只是不珍惜讀書機會的人罷了......

「我想讀科學」這個想法並不愚蠢, 如果你有能力的話
有部份人, 空有想法而沒有實際行動
這就是愚蠢我是攻擊這一些人
大把人讀完書, 出來做一些 low-paid job, 之後後悔, 由其是近幾年

另外呢, 不珍惜讀書機會的人連蠢人都不是, 是冇腦的人
那一些人最終只會 ... (我本來想打一大堆有關social stratification的字去叫人努力讀書, 不過還是算了)

所以呢, 如果不努力, 沒有實際行動,有什麼possibility可以生存到呢?
這些人是否"抵罵"呢

引用:

原帖由 edmondfan 於 2013-7-7 12:21 AM 發表
３３４學制下，學生可以入讀一個系，經過一年的洗禮，選擇自己希望讀的學科。知識都可以在這一年吸收，難道時間上會太遲嗎？

我告訴你, 3年都不夠
第一年根本沒有你所謂的洗禮,連第2年也不是
第3年才剛開始! (我本來都想講第4年才剛開始, 不過算了吧)

引用:

原帖由 edmondfan 於 2013-7-7 12:21 AM 發表

...... 「需更多人去搞科技」沒有錯，但不能只因為你的看法、你認為他們不可能的想法而令他們入讀工程。世界超級大的，你沒有資格藉此看低他人的熱情。即使我讀上大學，也成功拿到教授的資格，也不能說出「地球不需那麼多人去搞哲學，而需更多人去搞科學」的說話。......

我這句是有點短視的講法
社會進步, 如果想要在短期有明顯改進的話
會是一些engineering的工作, (例如consumer electronics)
社會進步, 也可以是politics和文化人的工作
不過那是需要十年,什至是1,2代人的努力
我只是給出另一個path
讀science的人如果搞不了research,也可以走去搞technology(很需要人)
(難道近年low出生率殺校還去教書?教大學?CC?得,有料就得 )

引用:

原帖由 edmondfan 於 2013-7-7 12:21 AM 發表

你在＃２的帖子（不知是否用樓來表達較好）中的一些問題，確是會令人反思為何讀科學，但你其中一些答案確是不太合適。例如「乜Engineering好失禮咩?」，我那刻想到「科學家也失禮嗎？」...

很多(香港)人, belittle engineering , do you know why?
20年前engineering是5A (我是指A-Level 5A ) 的"神科"
現在呢?? 所謂的 "水泡"
大量垃圾學生入了之後一樣是垃圾
結果呢?
當然一樣有好學生入, 不過有幾多? 垃圾學生有幾多 ? 哪個多? 個個和你一樣有心向學?

另外, 科學家當然不失禮啦, 哇個名幾勁啊, 哈哈哈

引用:

原帖由 edmondfan 於 2013-7-7 12:21 AM 發表

正如研究複雜，製作遺傳演算法的科學家John H. Holland)也是看到科學書本，萌生「我想讀科學」這個基本的想法。

搞GA和ANN的John Holland明明是CS/EEE人,偏要叫他 "科學家"
叫佢Engineer , 听落好廢, 所以要叫"科學家"是吧, 哈哈哈

引用:

原帖由 edmondfan 於 2013-7-7 12:21 AM 發表

.... 難道入讀工程，也根據你的學習方法，就可成為Steve Jobs？答案明顯是不盡可能...

Steve Jobs 沒有你想像中那麼高級, 千萬不要把Steve Jobs英雄化
(如果要講我為何不講Ritchie, dijkstra, von Newmann, Alan Turing等等?)
Computer world (更加正確應該叫 Digital world)
是千千千千萬萬萬個人的努力混合體

是一種structural world (structural programming)
強調modularity , low cohesion , high coupling 的世界
(以上皆CS字眼, concept算是簡單不過你沒有experience過的話我無法用1,2句去解)

所以呢, Apple不是Steve Jobs一人的功勞
真真正正的英雄是背後一大堆engineer ( they are unsung hero !)
要做到Steve Jobs做到的(我不是指推薦貨品,是指其engineering ability,例如他算是mouse-GUI的promoter之類),大把人可以

引用:

原帖由 edmondfan 於 2013-7-7 12:21 AM 發表

...你希望讀者看大學書的做法，我不太讚同...但盲目地看高深的書，只可能令自己望而卻步，毫無用處...雖然看後會感受到這個學科的偉大，但等待你的大學生涯起步，再從講師身上吸引足夠的知識，才跨越這道高牆，比較有效率和好的學習方法...

唉... 你超級有所不知

你很好運, 有好老師, 不過, 你也很"中學生"  (難听點 = 唔識野 )

我應該講,  大學有好老師 = 阿! 真好運
      大學沒有好老師 = 阿,正常, 很正常

讀書靠自己, 愈高就愈靠自己

如果是廢的lecture, 上堂(難听點)是浪費時間
如果是好的lecture, 還好
而且, 部份prof亂改 (例如只看numerical answer不看step, 一錯就all wrong)

另外, 如果你不能train到自學, 你點睇paper,難道仲靠老師?????????????

自學是必要條理

大學本科生算對你好
知識有系統
是organized knowledge
看這些 "別人喂你食飯" 的書都叫辛苦, 都叫令自己望而卻步 ???????

令自己望而卻步???? 我呸
這句令我極之火滾

你看X, 看不明白, 不會自己去找 W 去看 ???
再看不明白W不會去找V去看 ???

看不明白什麼是differentiation 不會去找什麼 definition of differentiation as a limit ?
看不明白 definition of differentiation 不會去找 limit的書去看?

看不明N的東西不會去看N-1的東西 ?
再看不明N-1的東西不會去看N-2的東西 ?

看不明就先退一步直到找到自己看得明的東西為止

另外, 盲目地看高深的書??
我有叫你一開始就去看General relativity嗎?
我有叫你一開始就去看Microwave black hole嗎?
你要強行走去看, 就真的是盲目 !!

如此簡單低能明顯易懂的事都不知道?? 如果是想讀數就更應該早就知道 !!! what the ** ??

這叫蠢嗎??

我所指的是叫你去看Thomas or Steward Calculus等等基基基基礎書 !
(我沒有講過? then what the ** is this :  http://lsforum.net/board/viewthr ... p;extra=&page=3  )

再者我講過

你大學學的是 organized knowledge

有心讀就一定得 (不過可能要付出很多努力)

話你知, 研究級, 是散亂的 UN-organized knowledge
要睇一大堆散亂的 research paper, journal, edition

要自己去找書

大學本科是  :  有推薦用書, 你自己去學
研究院是 :  不要講推薦用書, 有時連paper都沒有

讀如此 "organized knowledge"
根本就很易handle
我火爆D講, undergrad過3, 簡直低能, 易過公開試 (DSE, AL, CE) NNNNNN倍
你GPA沒有過3.5都唔好同我講你努力過

你連"努力"這個concept都不知道

我都瘋狂講 : 世界是很大的

大學要3個月就完一科比AL DSE 多一點點的科
例如如果文科人去讀physics, 3個月就要完DSE physics
而且是course code 1001 已經是最最最最淺
3001 叫咩 4001叫咩

我仲可以講一大大大大堆和"如何睇research paper"的字, 那一些技巧知識更更更深, 不過廢事
我想講是 : 我已經是留了力, 我可以講到更魔鬼

  所以最後一句 : 睇書睇唔明, 好閒, 大把方法化解
            你去到睇paper睇唔明先同我講

(火爆mode完)-----------------------------------

我一直講野都是有一個目的

there is NO FREE LUNCH

知識難不難看人
有人認為EM很難, program很易
有人認為logic難, geometry易

不過我是 "提醒" 你, "警告" 你讀大學的路很辛苦

難道我要叫你去玩不要讀書
難道我要提醒你大學很容易不用努力就可以

當然, 如果你想去研究
我還要更"魔鬼化"我自己, 講到mission impossible
因為呢 "唔努力, d knowledge 自己會自動識啊?"

there is NO FREE LUNCH

而且, 生存就是戰爭
你要在競爭中勝出就要有 "別人沒有的"

如果不是

當你想找prof收你時, 佢一定講 : the position is very competitive !!!!!!!!!!!

世界(不要只以為只有香港人, 大陸,印度佬數可以勁到屈機 )
世界大把其他地方的人一樣會去找你想找的prof

你有咩quality可以叫個prof要選擇你而不選擇另一個人?

Do you understand

另外,你可以想一下
中學時, D maths老師超勁, 可以識計晒
不過點解禁勁唔去大學研究??
因為你讀多年就可以不把他放在眼內
(我不是叫你不respect他, 一樣要respect, 不過不是"知識上"的respect )

連你個maths老師都沒有去大學研究
你打唔打得嬴你maths老師? (一定得啦, 幾年ja ma)
青出於藍, 應該知道吧

我想講什麼 ?
就是  生存就是戰鬥
Keep burning !!!

作者: Automaton 時間: 2013-7-7 03:41 AM

原諒我意識流地打字
有時文章不太organized

作者: STEVEGARY 時間: 2013-7-7 04:59 AM

對你地的兩個帖有D回應...

引用:

３３４學制下，學生可以入讀一個系，經過一年的洗禮，選擇自己希望讀的學科。知識都可以在這一年吸收，難道時間上會太遲嗎？再者，這年時間正好令他們明白他們的學系

至少我可以跟你講...數學系呢條橋行唔通...
因為一年級數學科不只是開給讀數學的人, 而這些數基本上都係補番Pure Math沒有的東西...單憑呢類course係根本唔係知道本科數學係點...(Calculus 無論點好都好...去到讀Analysis又係大屠殺...)
2字頭科analysis的theorems其實大多係一年級數學課都見過...(e.g. IVP, MVP, L'Hospital's Rule, Fundamental theorem of calculus 等) 不過又係另一個世界...

數學書呢...其實大多都係沉悶...其實我有興趣知你睇過咩數學書 XD
數普書籍我就無乜睇過...反正對我黎講睇落去只係打擊 XD

引用:

不是先介紹別人看一些容易的入門書嗎？

對於數學黎講...入門書多數已經係三級跳了...(對於中學生黎講)

[OT]
OT 1:
有D新制yr 1嘆為觀止的事情:
Phy 出現左multivariable calculus...
Engg 出現左Quantum Mechanics...

OT 2:
除非你是神獸級...其實讀(同做)數就係會不斷打擊自信...低至undergrad, 高至postdoc, AP...都係不斷係呢個惡夢入面...(小弟不才...讀到好差...XD)
[/OT]

引用:

(難道近年low出生率殺校還去教書?教大學?CC?得,有料就得 )

引用:

大學沒有好老師 = 阿,正常, 很正常

想去教大學無想像中咁易...學術界其實有好多黑暗野...
另外一提的係...prof 主要職責唔係教書, 而係研究...只要佢地出到貨, 無論佢地對學生幾差都好都有得留低, 仲隨時有得升職
不過一般上local 會比mainland 的prof有心機 (某全港(?)公認的killer除外)

引用:

看不明白什麼是differentiation 不會去找什麼 definition of differentiation as a limit ?
看不明白 definition of differentiation 不會去找 limit的書去看?

我諗呢個唔會係一般學生的思維 (甚至可以只係數理科的人, 特別係數學人, 先會走去問definition...)
可能係中學的訓練問題, 亦可能係學生對數學無興趣

引用:

我火爆D講, undergrad過3, 簡直低能, 易過公開試 (DSE, AL, CE) NNNNNN倍
你GPA沒有過3.5都唔好同我講你努力過

嘩, 我諗你講呢句應該會俾大量大學生追斬, 同你講
1. CU個mean通常係B / B-...有D好grade D的可能係B+...數理工要衝上去A range其實唔容易 (CU math 3.5 其實已經係好top...基本上你報MPhil都會收...)
2. UST個mean通常係B- / C+ (數學系黎講有D仲會跌到落C) ...(UST Math 3.5已經夠first hon)
仲要唔好忘記一D科仲要係被神級人士佔據...所剩的A range 唔實唔係好多 (要拿3.5+...最少都要有一半科都有A-或以上...)
(其他U未考究過...因為我本身對其他U無乜興趣...e.g. 無科岩讀 / 唔鍾意風格(?))

引用:

連你個maths老師都沒有去大學研究
你打唔打得嬴你maths老師? (一定得啦, 幾年ja ma)
青出於藍, 應該知道吧

咪傻啦, 有D淨係呃飯食的你可能可以打倒...
有D老師其實係有料, 只不過係唔想讀上去 (e.g. 經濟問題 / 個人興趣)
特別係香港的風氣唔太興做研究
以數學黎講...如果有留意的...香港D大學的prof / dr 好多都係係外國讀PhD的 (同埋大多都係出名的大學)...例如過美國...英文又變成一個問題...你估GRE咁好考架咩...

可能睇漏...淨係回咁多啦...

作者: Automaton 時間: 2013-7-7 01:57 PM

引用:

原帖由 STEVEGARY 於 2013-7-7 04:59 AM 發表
嘩, 我諗你講呢句應該會俾大量大學生追斬, 同你講
1. CU個mean通常係B / B-...有D好grade D的可能係B+...數理工要衝上去A range其實唔容易 (CU math 3.5 其實已經係好top...基本上你報MPhil都會收...)
2. UST個mean通常係B- / C+ (數學系黎講有D仲會跌到落C) ...(UST Math 3.5已經夠first hon)
仲要唔好忘記一D科仲要係被神級人士佔據...所剩的A range 唔實唔係好多 (要拿3.5+...最少都要有一半科都有A-或以上...)
(其他U未考究過...因為我本身對其他U無乜興趣...e.g. 無科岩讀 / 唔鍾意風格(?))

原諒我我語氣過重
GPA3.5就改3.3啦 (for 想讀上去的人(normal人, 即沒有什麼神奇事跡的人) )
不想讀上去, GPA 幾多都得啦

mean 是B-/B 不等於自己就要跟別人一樣B-/B
不過mean是B-/B的話那麼要求最少B+也不算太高

當一大堆人都是B, 都想讀上去的時候就更需要自己是B+ or 有其他突出表演 or 有錢
所以有要求很正常

世界一定一大堆競爭者, prof 一定會講 : this position is very competitive !
現在是 "收人" 那個人有要求, 基本上佢大晒, 難道去斬prof ?

愈高級的地方就愈難上去
社會金字塔結構從沒有變過

生存就是戰鬥

[ 本帖最後由 Automaton 於 2013-7-7 02:00 PM 編輯 ]

作者: Automaton 時間: 2013-7-7 08:43 PM 標題: hard work is (one of the most easy) key to success

歸根究柢
問題來源自 "不明白個knowledge base大小"

正如小學6年級
對DSE Biology的課程根本就沒有概念
連有幾多野讀, 連”大小”的概念都沒有
小學6年級會知"proximal convoluted tubule", "hepatic portal vein" , "progesterone"?

Year one , year two 野, 可以在year3一堂講完
你辛辛苦苦讀足1年(1,2個學期) 的東西, 別人一堂完
例如一些 intermediate level book, 基本上個chapter 1 (最多幾十頁)= 整本 500-1000頁的basics book
因為太太太太基本
根本就不會放在眼內

如此基本, 夠用嗎 ?????

基礎linear algebra 後期會講 orthonormal, spectra density 等等等等
基本上 harmonic analysis or Fourier analysis 第一堂講下就講完, 因為之後還有更多更精彩的事

基礎vector calculus後期會講 Gauss green stoke (green theorem, green identity, gauss theorem, stoke theorem)
基本上 time harmonic EM field , Microwave Engineering 等等第一堂講下就講完, 因為之後還有更多更精彩的事

基礎Statistics後期會講 multivariate Cov , regression, Markov
基本上 statistical learning, signal detection, estimator 等等第一堂講下就講完, 因為之後還有更多更精彩的事

基礎algebra後期會講 Galois, General extension, Cohomo
基本上 Crypto, robotics第一堂講下就講完, 因為之後還有更多更精彩的事

基礎ODE後期會講 wronskian , laplace, Sturm Liouville
基本上control第一堂講下就講完, 因為之後還有更多更精彩的事

基礎circuit後期會講BJT MOSFET CMOSFET
基本上analog第一堂講下就講完, 因為之後還有更多更精彩的事

還想我講下去嗎 ? 我可以寫到天光
而且我已經盡量不走過界講CS野
如果我想講CS野 ( Bioinformatics, data engineering, computer vision, network ) , 我可以寫爆post

我repeat 多次

正如小學6年級
對DSE Biology的課程根本就沒有概念
連有幾多野讀, 連”大小”的概念都沒有
小學6年級會知"proximal convoluted tubule", "hepatic portal vein" , "progesterone"?

如果小明(小學6年級) 同你講 "我想考DSE"
你會有什麼回應?
你估人人都F1就自修calculus ODE??

我在嚇人嗎?
我只是講真相
你估入到大學一定順利PhD 做prof ??
完全沒有競爭嗎?
Prof搶住要你嗎?
scholarship自動送你嗎?

所需要的努力有幾多,你有概念嗎?
中學公開試程度的努力夠嗎??

引用:

原帖由 Automaton 於 2013-3-10 12:17 PM 發表

不過, 大學本科(undergraduate)強調

自主學習能力

的

不能只依靠單一來源

要綜合 :

Lecture
+ Standard Text
+ Reference Text
+ Discussion with others
+ Execrise
+ Online Open Course
+ Online pdf, doc , ppt , webpage
+ others

大學 = 狂睇書
大學 = 狂自學 + 部份老師教
大學 = 鬥努力

只要你有努力
我上面講的都是rubbish

只有努力可以打敗我那些說話

assume "work W" is an equation of hardwork H, luck L, money M, fame F, relation R

W = H + L + M + F + R

只要努力就有功 (H increase, W increase)
努力就算沒有明顯成效 (可能你少L)
你也有強勁內功, (high H)
W 少極有限

不努力, 連想 W 不低的機會都沒有

努力吧

[ 本帖最後由 Automaton 於 2013-7-7 08:44 PM 編輯 ]

作者: STEVEGARY 時間: 2013-7-8 02:12 AM 標題: 回覆 61# Automaton 的帖子

某大學教授的名言: 其實呢科都好elementary, 好容易 (可能記錯...意思大約係咁啦)
(不過事實係...佢係multi-variable calculus對住一班無analysis底的人係度玩epsilon-delta 囧) 所以難與易真係觀點與角度 (人總有長短處啦~)

3/4字頭果D一堂講完的原因係因為佢當你地學過啦...(其實有一堂都算幾畀面)
例如教system of first order linear ODE無理由又由diagonalization / jordan canonical form教起吧...最多提一兩句當recall...
至於advanced texts, 本身係當你有底...咁你無底去睇想撞板咩 lol

[OT]
就math dept提供的course而言 (而家好多數的course都推哂俾math dept教好慘...)
linear algebra 係唔會教spectral density (其實我唔知呢舊野係乜...要wiki下先知)
至於orthonormal 我估你係想講 orthogonal / unitary operators呢課的確係幾難...

以下係一個undergraduate linear algebra course會教的野...
- Vector Spaces (Subspaces, Bases, Dimensions)
- Linear Operators (Matrices Representation, Rank-Nullity Theorem)
- System of Linear Equations
- Determinants
- Diagonalization (Eigenvectors, Eigenvalues, Diagonalizability, Cayley-Hamilton)
- Inner Product Spaces (Inner Products, Orthogonality, Self-Adjoint Operator, Orthogonal / Unitary Operators)
- Jordan Canonical Form (?)
[/OT]

[ 本帖最後由 STEVEGARY 於 2013-7-8 02:18 AM 編輯 ]

作者: Automaton 時間: 2013-7-8 07:37 AM 標題: 回覆 62# STEVEGARY 的帖子

基礎course真的他媽的重要
無計後面一大堆course等用linear algebra
但不同人不同集中

部份area只需要基本計算, 例如有個det, inverse就夠

部份area對LA需要個spectrum of a matrix , eigenvalue operator, QR , Householder, Givens, Gram-schmidt, SVD 等等等等
反而不會太理 vector space, Rank-Null

另一方面有些area對LA需要詳細vector space, linear sub space , norm之類

結果(舊制)Engineering maths教Linear Algebra是雜七雜八 (其實EnggMaths什麼都雜七雜八)

不過math course全math teacher教
是政府想save money
美其名資源集中
其實就是想比少一些funding給大學

應該不會雜七雜八
但結果出現其他問題
有可能會over emphasize definition / theorem 而非Engg集中的 ""怎樣用"
(def/ theorem 是需要, 不過不用太多)

我無時間詳細打, 要去打program ....

作者: Automaton 時間: 2013-7-25 01:28 PM

(#54的Abstract Algebra我遲些才打)

閒話Transform : A very important core in technology

Laplace Transform, Continuous Fourier Transform, Discrete Fourier TRansform, Fast Fourier Transfrom
Short Time Fourier Transform, Zeta Transfrom, Hartley Transform, Hilbert Transform, Wavelet Transform
Random Transform, Möbius Transform, Walsh–Hadamard Transform, Hilbert-Huang Transform
Karhunen–Loève Transform (Principal Component Analysis), Legendre Dual transforma, blablablabla....

什麼是Transform, 其實一個Key Idea

由一個角度看不出什麼資訊, 那就試一下另一個角度

最簡單的Transform 是 Matrix and Vector Space

圖中 vector P可以由 x,y去表示, 也可以用 x',y' 去表示
這就是其精神

同樣道理, 如果是function, 例如由 polynomial 表示的function 也可以由 sin cos 去"表示"

那麼"表示"就出現一個問題

用什麼作為 "基本單位" ?
例如化合物 H2O , 你會知道由 1個O, 2個H 組成
那麼如果用 H,C,O 做基本單位 (H,C,O)
那麼也可以"表達"化合物做一個3維向量
CH4 = (4,1,0)
CH2O = (2,1,1) 等等
即是說H,C,O 可以表達所有由CHO組成的化合物

數學上, "基本單位"叫 Basis
而 " 所有由CHO組成的化合物" 叫 Space

其實以上概念是大學第一科數Linear Algebra的概念

那麼, vector 可以用幾個"基本單位"  "組合出來"
那麼, 化合物可以用幾個"基本單位"  "組合出來"
那麼, function 也應該可以用幾個"基本單位"  "組合出來"

問題出來了,如何知道有什麼 ""基本單位" 可以用 ? 用什麼 "基本單位" ? 怎樣知道那些"基本單位"合適?

Fourier 的回答 : 一個function 可以用 "sin(kx) 和 cos(kx)" 來表達
那個function有幾個條例 (詳細數學我就不講了)
簡單講, 可以用 sin & cos 去表達 x^2
y = x ^2 可以用 sin & cos 去表達 ? Yes !!

不同的是, 圖形上一點, 例如vector P (4,7,8) = 4i + 7j + 8k = 4個基本單位 i + 7個基本單位 j + 8個基本單位 k
你留意到 3D vector的基本單位是有限的3個

而其實去"表達"function的 "基本單位" 是無限的 (詳細數學原因我也不講了)

所以, 最最最基本的 Signal processing 書會有以下 Fourier Series equation

[img]

[/img]

那麼更高一層的看法是

為什麼 sin / cos 可以做 building block 來 "砌function " ?

回答也是 Linear Algebra

一個basis of N "basic unit", 有以下要求 : 那N個 basic unit 不可以 "有關係"
數學上叫 "independent"

例如 A 和B  "互不相幹"

$A \bigstar B = 0$

那個星星指 "在某種條件下"
而且, A,B 可以是任何東西 (function, functional, function of matrix, discrete set of sequence, blablablabla )

例如

$\left \langle \mathbf{A} , \mathbf{B} \right \rangle _ M = \mathbf{A}^T \mathbf{M} \mathbf{B} \\ \left \langle A(t) , B(t) \right \rangle _{w(t)} = \int _C A(t)B^*(t)w(t)dt$
為什麼 "基本單位" 要 "互不相幹"

例如如果你可以用 cos去表達sin那為什麼還要用sin去表達function的如此多餘?

正正是 sin 不能用 cos 去表達, 因為 sin 和 cos 是 "orthogonal" ( independent)

即是說, 其實了解了 Linear Algebra的概念就可以明

就是說, 如果我們有一個 set 含有 N個 "互不相幹" 的 "基本單位"

我們可以用這些單位來 "砌" function

(詳細步驟我就不講了)

$\left \{ \phi_i(t) \right \} \textup{ : N basic unit} \\ \left \langle \phi_i , \phi_j \right \rangle _r = \int_I \phi_i(t) \phi_j(t) r(t) dt = \delta_ij \textup{ : basic unit "independent to each other" } \\ \textup{ then function } f \textup{ can be represented by } \left \{ \phi_i(t) \right \} \textup{ as } f = \sum a_i \phi_i$

基基基基基基基基本concept就到此

時間關係, 我跳一下, 跳好幾個course的東西 :
Signal Processing
Digital Filter
Image Processing

直接飛去一些應用

講到用這些基本單位來 "砌" function
那麼其實有很多很多基本單位
用哪個好呢 ??
這和應用的本質有關

例如 Data Compression, 你想一張相可以用少一些空間
例如如何把 3GB 變 0.5 GB ?

原理就是 transform the data so that they become "smaller"

例如一照片, 其實是一個3D vector的 matrix

3D是 R,B,G value, 例如黑 = (255,255,255) ,  白 = (0,0,0), 純紅 = (255,0,0)

照片其實就是一個幾萬 X 幾萬的 matrix

問題就是幾萬 X 幾萬 = 幾萬萬個 data,  太多, 想 "transfrom" 去另一個 space去做到 "data reduction" / "dimension reduction"

如果選取基本單位不當 , 可能沒什麼用, 例如 10000個Data變9000個, 根本就沒什麼用

如果 10000個變1000個,就勁 !

不過data少了就表示 "有些東西不見了"

所以呢, "如何去選基本單位而可以用最少基本單位去表達最多資訊 " 就是一個大大大大大大大大學問

對於digital image, 最最簡單的和最合適的 "transform" 其實就是 eigenvector transform

因為在 eigen vector transform中, 個transformation matrix 會變做 diagonal matrix , 更好計

如此的 "計算量減少" 是因為 Engineering要瘋狂爆數計, 不過不是人去計, 是一塊晶片去計
如果日日都overload塊晶片, 個device好快玩完

因此出現了Computational Complexity / Dimension Reduction 的學問 (這些太高級的東西我就不在此講了 )

所以, 如果把 Transform 視為 "由另一個方向去觀察" , 這樣想可以有很多應用

例如 Science中最常用的 "Spectrum analysis" (太多野講, 沒時間講)

基本講 Spectrum , 幾乎都是Fourier Laplace的天下, 不過近年來有新工具 "Wavelet" 可以更強
而且可以有機會突破"Shannon-Nyquist Sampling Limit"的"Compressive Sparse Sampling",
而且有N件application更厲害, 可以令camer 再細部, 再準, 再快, 非常精彩
相對傳統思路的 "Orthogonal Transform" 正交變換, Compressive Spare Sampling 的數要求更高
基於其性質與傳統顛覆 : Non-adaptive, Random,  Indiffernetiable, Sparse 等等因素
引致數學要求一開波就 :  Geometric topology  , Matrix Analysis, Functional Analysis等等, , 我就廢事講啦

總之呢, 其實我講的只是引申Linear Algebra的 Basis的概念和混入Genetrating Function 和 Infinite Series 得得東西
再夾雜其他東西例如Statistics Theory 和Computing 就變了Engineering一個大分支 : Signal Processng

(另外有一點要補充一下, "表示" 這個字其實用得不好, 因為 Taylor Expansion也是一種 "表示", 不過Taylor Expansion可以不是ortohgonal basis
當然, 連一些Artifical Neural Network的Universal Approximator的"表示"也不是orthogonal basis, 所以要強調下, 需不需要orothogonal, 要看情況而定,例如Wavelet, 不只orthogonal, 還要orthonormal)

[ 本帖最後由 Automaton 於 2013-7-25 01:55 PM 編輯 ]

作者: STEVEGARY 時間: 2013-7-25 03:32 PM

哈, 那我那系列不用講Fourier Analysis了...XD

Fourier Series 可以睇係 projection of f to the space of span{e^inx}

對於space of continuous functions C[-pi, pi]黎講
[span{e^inx}]^perp = {0}...但係...span{e^inx} =/= C[-pi, pi] XDDD (An example that (W^perp)^perp =/= W for infinite dimensional inner product space.)

你搞到我癮起又寫左D會嚇親細路的野

[ 本帖最後由 STEVEGARY 於 2013-7-26 04:44 AM 編輯 ]

作者: Automaton 時間: 2013-7-26 12:15 PM

引用:

原帖由 STEVEGARY 於 2013-7-25 03:32 PM 發表
哈, 那我那系列不用講Fourier Analysis了...XD

Fourier Series 可以睇係 projection of f to the space of span{e^inx}

對於space of continuous functions C[-pi, pi]黎講
[span{e^inx}]^perp = {0}...但係. ...

老實講Fourier 太有用
我當初year I 學signal processing以為就 "frequency domain analysis"
怎料, 一些statistics的moment generating function 要用到
Antenna的Far field , near field 之間的關係竟然也是Fourier
什至protein structure都要用, 那時我就嚇了一下
改變了那時的對Fourier的看法
現在已經要當做和ODE, Vector Cal等等一樣的基本工具了

不過學術研究發展下,我感覺到可能20年後Fourier會給取代 (我指in the field of signal processing)

作者: Automaton 時間: 2013-8-2 03:06 PM

Extra : EM / Circuit

首先要講下Electromagnetics,
Physics 會學, Electrical Engineering也會學, 不過2者學的是完全不一樣的

首先, 我第一頁打的那一些EM , 簡直就低能
Solve Maxwell’s Equation去得出 Wave Helmholtz Equation,簡直就低能
那些structure過份簡單 , 過份簡化 ,
一條長方形cross-section的conductor的physical modeling簡直就是低能
現實是不會有如此完美perfect 的cross section
個conductor可以是任何形狀的
這個情況下的E-field B-field會很混亂

老實講大學undergraduate的EM, 我理得你是EE讀還是physics讀, 一定是standard structure
想像下如果個electric charged object個形狀如果是”海豚”,undergrad學到的所謂EM已經完全沒用
因為undergrad只懂得計 “正常情況下的普通基礎結構”
真正的EM是要計到什麼情況下任何大小任何形狀的結構的EM field

老實講, 我想講的是 : 世界是很大的沒有你想像中那麼簡單

讀物理的人會講 :
Newton’s Law 是 Macroscopic , Low speed 的力學
在microscopic 環境, 需要Quantum修正, 如果不是的話Newton’s Law錯到飛起
在High speed環境, 需要Relativity 修正, 如果不是的話Newton’s Law錯到飛起

同樣, Circuit Law, 特別是 V=IR , Kirchoff’s Laws 其實是
“ Low Frequency Lumped Circuit model “

其本上, high frequency時, V=IR 錯到飛起, Kirchoff’s Laws錯到飛起
當frequency 去到GHz, 就要用到Maxwell’s Equation修正

不過那也只是regular structure
當structure不是regular shape, 就要用到 simulator technique / Numerical technique

當個circuit不只是幾個device, 而是幾萬個device, 需要另一個修正

當個device的大小是極小的話, 需要quantum 的修正

所以一個chip的circuit, 是, 極高frequency, 極多個device(上萬個), 極細小 , irregular形狀
結果需要幾層的修正

你以為部iPhone的chip 如此簡單??

我就講下其中一個circuit modeling : Partial Element Equivalent Circuit

簡單講就是計resistance, 听超超低能, 計resistance ?! Tooo Easy 啦!!!

如果是有這種想法真是蠢到XY

基本上, voltage / current 在transmission line 已有generalized definition :

我基本上跳了Transmission line / Microstrip line 等等直接講 PEEC

我講過, Maxwell’s Equation, 是 Physics , 不是Engineering, 太完美, 過份完美,
計”static, macroscopic , regular structure 還可以, 其他就沒什麼用, 因為太完美, 要modified
一經modified, 已經是Engineering領域, 有一些新的 equivalent principle

例如 : partial element,
條generalized voltage, 是close loop integral, 那麼也可以define “partial voltage”

那麼inductance 也可以有partial : partial inductance

Skin effect , Proximity effect, Edge Effect

一個基礎E-field system ( 有skin effect )
$\left\{\begin{matrix} \mathbf{E}(\mathbf{r},t) = \dfrac{1}{\gamma} \mathbf{J}(\mathbf{r},t) + \dfrac{\partial \mathbf{A} (\mathbf{r},t)}{\patial t} + \nabla \Phi (\mathbf{r}, t) \\ \mathbf{A} {(\mathbf{r},t)} = \dfrac{\mu}{4\pi} \iiint \dfrac {\mathbf{J}(\mathbf{r'},t') }{ | \mathbf{r}- \mathbf{r'} | } dV' \\ \Phi {(\mathbf{r},t)} = \dfrac{1}{4\pi \varepsilon} \iint \dfrac {\sigma(\mathbf{r'},t') }{ | \mathbf{r}- \mathbf{r'} | } dS' \\ t' = t - \dfrac{ | \mathbf{r}- \mathbf{r'} | }{c_0} \sqrt{\varepsilon \mu} \\ \mathbf{J}(\mathbf{r},t) \cdot \mathbf{n} = \dfrac{d \sigma}{dt} \end{matrix}\right$

那麼partial inductance 就是

to be continued

作者: kiwakwok 時間: 2013-8-11 12:36 PM

引用:

首先要講下Electromagnetics,
Physics 會學, Electrical Engineering也會學, 不過2者學的是完全不一樣的

首先, 我第一頁打的那一些EM , 簡直就低能
Solve Maxwell’s Equation去得出 Wave Helmholtz Equation,簡直就低能那些structure過份簡單 , 過份簡化 ,
一條長方形cross-section的conductor的physical modeling簡直就是低能
現實是不會有如此完美perfect 的cross section
個conductor可以是任何形狀的
這個情況下的E-field B-field會很混亂

老實講大學undergraduate的EM, 我理得你是EE讀還是physics讀, 一定是standard structure
想像下如果個electric charged object個形狀如果是”海豚”,undergrad學到的所謂EM已經完全沒用
因為undergrad只懂得計 “正常情況下的普通基礎結構”
真正的EM是要計到什麼情況下任何大小任何形狀的結構的EM field

老實講, 我想講的是 : 世界是很大的沒有你想像中那麼簡單

I don't think your viewpoint is appropriate. Let me tell you how physicist develop and make a good use of the electrodynamic theory. First, having the set of Maxwell's (together with the Lorentz's force law) and solving them are not trivial unless you are not manage to understand the theory thoroughly. Second, there are reasons to solve the simplified cases. I will elucidate these points in the following text. To start with, I first show you how powerful are the equations. In the Maxwell's equations, we can see that the boundary conditions are included, and also there is no intrinsic length scale. That is, the equations contain everything. Once you impose the experimental details, one can solve it completely. Why physicists insist on keeping eyes on Maxwell's equations instead of focusing on the practical situations? Only if we looking closely at the general cases, there is a hope to make a wise guess before solving the problem explicitly. As you mention, engineers tend to solving the problem in a quick and concise way. Don't you think having a rough idea will help you to increase the efficiency? Also, having a wise guess can help you to check whether your solution make any sense. Of course, after guessing answer physicists will do simulation or seek experimental verification of we think it is necessary. A smart physicist can make good guesses usually up to a dimensional constant factor. (You may think that there are not many smart physicists but there are also not so many smart engineers.) A good undergraduate programme tends to train up the young physicists so that they can make reasonable guesses. Solving simplified cases is one of the important training. Furthermore, keeping a theory as general as we can do help us to think whether the theory is complete. I think an engineer also don't want to use a faulty theory to solve practical problems. Of course, theorists like beautiful and concise theories. Definitely, the reality is not as simple as you think.

引用:

讀物理的人會講 :
Newton’s Law 是 Macroscopic , Low speed 的力學
在microscopic 環境, 需要Quantum修正, 如果不是的話Newton’s Law錯到飛起
在High speed環境, 需要Relativity 修正, 如果不是的話Newton’s Law錯到飛起[
/quote]

As a remark, in microscopic scale, we use quantum field theory to make higher order correction. For example, we need to consider the quantum fluctuation when we are dealing with vacuum state. There are also many examples in QED and Supersymmetry theory, if you like to know more, you can go to consult some great books. Perhaps, I can give you some titles.

[quote]
同樣, Circuit Law, 特別是 V=IR , Kirchoff’s Laws 其實是
“ Low Frequency Lumped Circuit model “

其本上, high frequency時, V=IR 錯到飛起, Kirchoff’s Laws錯到飛起
當frequency 去到GHz, 就要用到Maxwell’s Equation修正

When we first learn the circuits, we should be aware that they are only due to the lumped parameters model, which does not do well when the circuit size is smaller then wavelength/10. Of course, we know at high frequency AC, we cannot use these approximations. For instance, there can have the skin effect.

引用:

不過那也只是regular structure
當structure不是regular shape, 就要用到 simulator technique / Numerical technique

當個circuit不只是幾個device, 而是幾萬個device, 需要另一個修正

當個device的大小是極小的話, 需要quantum 的修正

所以一個chip的circuit, 是, 極高frequency, 極多個device(上萬個), 極細小 , irregular形狀
結果需要幾層的修正

你以為部iPhone的chip 如此簡單??

我就講下其中一個circuit modeling : Partial Element Equivalent Circuit

簡單講就是計resistance, 听超超低能, 計resistance ?! Tooo Easy 啦!!!

如果是有這種想法真是蠢到XY

基本上, voltage / current 在transmission line 已有generalized definition :

我基本上跳了Transmission line / Microstrip line 等等直接講 PEEC

我講過, Maxwell’s Equation, 是 Physics , 不是Engineering, 太完美, 過份完美,
計”static, macroscopic , regular structure 還可以, 其他就沒什麼用, 因為太完美, 要modified
一經modified, 已經是Engineering領域, 有一些新的 equivalent principle

例如 : partial element,
條generalized voltage, 是close loop integral, 那麼也可以define “partial voltage”

那麼inductance 也可以有partial : partial inductance

Skin effect , Proximity effect, Edge Effect

一個基礎E-field system ( 有skin effect )
$\left\{\begin{matrix} \mathbf{E}(\mathbf{r},t) = \dfrac{1}{\gamma} \mathbf{J}(\mathbf{r},t) + \dfrac{\partial \mathbf{A} (\mathbf{r},t)}{\patial t} + \nabla \Phi (\mathbf{r}, t) \\ \mathbf{A} {(\mathbf{r},t)} = \dfrac{\mu}{4\pi} \iiint \dfrac {\mathbf{J}(\mathbf{r'},t') }{ | \mathbf{r}- \mathbf{r'} | } dV' \\ \Phi {(\mathbf{r},t)} = \dfrac{1}{4\pi \varepsilon} \iint \dfrac {\sigma(\mathbf{r'},t') }{ | \mathbf{r}- \mathbf{r'} | } dS' \\ t' = t - \dfrac{ | \mathbf{r}- \mathbf{r'} | }{c_0} \sqrt{\varepsilon \mu} \\ \mathbf{J}(\mathbf{r},t) \cdot \mathbf{n} = \dfrac{d \sigma}{dt} \end{matrix}\right$

那麼partial inductance 就是

to be continued

I agree that engineers do often solve complicated problems and many physical devices are invented by engineers as they are trained to apply those physics theories. Therefore, I do appreciate their abilities but this does not mean that engineering is better or more useful than science. By the way, physics students also skin effect in their second year as an illustration of high frequency correction.

[ 本帖最後由 STEVEGARY 於 2013-8-11 12:48 PM 編輯 ]

作者: Automaton 時間: 2013-8-11 02:10 PM

引用:

原帖由 kiwakwok 於 2013-8-11 12:36 PM 發表

I don't think your viewpoint is appropriate. Let me tell you how physicist develop and make a good use of the electrodynamic theory. First, having the set of Maxwell's (together with the Lorentz' ...

sorry 你識general case在工作上是沒有用的

老闆也不理你幾general的

不要以科學家的思路去想像要應付工作的Engineer OK?

Maxwell's equation, 非常非常厲害

也只是對pure physics人 or undergraduate

正因為過份完美, 根本就沒有用

我不知道你知不知 IEEE Propagation & Antenna 上面一大堆paper把Maxwell 改到走晒樣

Engineering 和 physics Focus 是不同的

那些Standard charge/current structure

Engineering 的course 最多一堂就完, OK ?

Standard structure 限制多多, 日常生活太多都是irregular

數量的ratio 有如 number of integer 的數量比 0至1之間的real number的數量

引用:

原帖由 kiwakwok 於 2013-8-11 12:36 PM 發表

First, having the set of Maxwell's (together with the Lorentz's force law) and solving them are not trivial unless you are not manage to understand the theory thoroughly

1.EE的EM重視wave propagation, 正常不重視Lorentz force law (研究和matter 的interaction是你們的工作)
EE的EM, 特別是RF, Antenna , 要搞就是你部手機的接收工能

2. 何謂understand thoroughly? EE的EM會用Grassmann algebra, 原因? 你讀phy就更應該知, 一個字, 快
understand thoroughly的確有利工作
不過EE的問題多數都有實際應用
不太會出現抽象事物 (除非你認為vector cal都叫抽象)

引用:

原帖由 kiwakwok 於 2013-8-11 12:36 PM 發表
That is, the equations contain everything

哈哈,everything?
只是理論正確

能describe一個system  和能求解  是 2回事

你讀得 physics都知我上面講什麼

如果你真係有去試下solve下 "海豚-EM structure"
你就會發現, Maxwell只能做開始的一步, 之後你就不能  做下去了

why ? 就是因為有一大堆要瘋狂爆數計計計的問題

不要以為瘋狂爆數好像很簡單, 要計個answer

用algorithm / computer 總可以計到

不過  能describe一個system  和能求解  和能有效率地求解  是 3回事

你以為手機天線就一個 radiation problem ? (你應該都知radiation的Near field個integral要爆數)

問題是你有去考慮速度嗎 ?  如果沒有考慮算法速度, 手機無人用

"Maxwell's equation contain everything " 這句你講得太早

Maxwell's equation 只是 contain everything 這句的前頭
我repeat一下: 能describe一個system  和能求解  和能有效率地求解  是 3回事

引用:

原帖由 kiwakwok 於 2013-8-11 12:36 PM 發表
Only if we looking closely at the general cases, there is a hope to make a wise guess before solving the problem explicitly.

太多問題的structure太恐怖

我再次強調, structure的complexity

老實講你有沒有solve過 mother board的 EMC/ EMI

幾幾幾幾萬塊device , L R C wire, transmission line, interface, crystal oscillator , blablablabla

有可以有rough idea?????
如果有就不需要一大堆人paper去搞 order reduction 啦
個計算可以去到O(n[suptag]2[/suptag])以上, 什至會有幾萬X幾萬的matrix
why?因為Maxwell's equation寫法必然後果
詳情我就唔講啦

所以呢, make guess
Hill Climbing算法听過了吧
Simulated Annealing 就是估
你看,structure太恐怖,用prob做guess

活在Physics世界的人是不會知道Engineering世界的事
會以自己世界的看法去看, 結果就是可能出錯
正如我對QM, specific Relativity的認識不會比你們多
老實,我自己就對physics的看法就是 " 只是不停去搞model的學問, 也只不過也是stamp collection"
我這看法只是我由自己自己世界去看, 你們會有其他我不知道想法, 我會有錯也很正常

正如你講
Theorists like beautiful and concise theories
Maxwell在Theorists的確very beautiful
不過我們不是Theorists
Beautiful, good, extra bonus !
But is it USEFUL?????

最後, 我強調, "從實用性質" 上, Engineering一定better過pure science
你是否搞錯了?

[ 本帖最後由 Automaton 於 2013-8-11 02:13 PM 編輯 ]

作者: kiwakwok 時間: 2013-8-11 03:22 PM

引用:

sorry 你識general case在工作上是沒有用的
老闆也不理你幾general的
不要以科學家的思路去想像要應付工作的Engineer OK?
First, it depends on which field you are working in. Second, I don't think engineers are only trained to be a working machine. They still have other talents.
Maxwell's equation, 非常非常厲害
也只是對pure physics人 or undergraduate
正因為過份完美, 根本就沒有用

If it is useless, can you build the engineering methods without the starting from Maxwell's equations. Also, what I want to emphasize is, Maxwell's equations can solve the engineering problems also. Of course, you use some modified versions which are specially designed for several particular cases will have a higher efficiency. Yet, this does not mean Maxwell's equations are useless. For example, if someone can solve engineering problems and is more efficient than you, can I say you are useless? Can I?

引用:

我不知道你知不知 IEEE Propagation & Antenna 上面一大堆paper把Maxwell 改到走晒樣
Engineering 和 physics Focus 是不同的

This is what I would like to emphasize. Even though they are doing the same topic, they have different focus and this different approach. You cannot say which one is better. Just like you cannot compare an apple with an orange. I am not sure what I have mentioned, I do agree engineers are well trained for solving practical problems. What I want to correct you is this does not imply pure is not as useful as engineering. As you have said

引用:

為何讀science?
1. 因為型?equation愈複雜,好型
你仲細? 寫D冇人明的equation,自以為高人一等?
改變世界的不是科學家, 是Engineer

那些Standard charge/current structure
Engineering 的course 最多一堂就完, OK ?
Standard structure 限制多多, 日常生活太多都是irregular
數量的ratio 有如 number of integer 的數量比 0至1之間的real number的數量

1.EE的EM重視wave propagation, 正常不重視Lorentz force law (研究和matter 的interaction是你們的工作)
EE的EM, 特別是RF, Antenna , 要搞就是你部手機的接收工能

Definitely, it should be like this because our focuses are different. Besides this, it means nothing.

引用:

2. 何謂understand thoroughly? EE的EM會用Grassmann algebra, 原因? 你讀phy就更應該知, 一個字, 快
understand thoroughly的確有利工作
不過EE的問題多數都有實際應用
不太會出現抽象事物 (除非你認為vector cal都叫抽象)

Again, it is just due to different purpose, and does not meant engineering is more useful or we need more engineers than scientists.

引用:

哈哈,everything?
只是理論正確
能describe一個system 和能求解是 2回事
你讀得 physics都知我上面講什麼

如果你真係有去試下solve下 "海豚-EM structure"
你就會發現, Maxwell只能做開始的一步, 之後你就不能做下去了

How can you modify Maxwell's equations solving problems and then said it cannot be used to solve problems? If so, what are your equations based on?

引用:

why ? 就是因為有一大堆要瘋狂爆數計計計的問題
不要以為瘋狂爆數好像很簡單, 要計個answer
用algorithm / computer 總可以計到
不過  能describe一個system  和能求解  和能有效率地求解  是 3回事
你以為手機天線就一個 radiation problem ? (你應該都知radiation的Near field個integral要爆數)
問題是你有去考慮速度嗎 ?  如果沒有考慮算法速度, 手機無人用
"Maxwell's equation contain everything " 這句你講得太早
Maxwell's equation 只是 contain everything 這句的前頭
我repeat一下: 能describe一個system  和能求解  和能有效率地求解  是 3回事

I think what I want to emphasize is simple. Maxwell's equations are not useless. No mother then no son no matter how faster can the child run.

[ 本帖最後由 STEVEGARY 於 2013-8-11 03:35 PM 編輯 ]

作者: kiwakwok 時間: 2013-8-11 03:23 PM

引用:

太多問題的structure太恐怖
我再次強調, structure的complexity
老實講你有沒有solve過 mother board的 EMC/ EMI
幾幾幾幾萬塊device , L R C wire, transmission line, interface, crystal oscillator , blablablabla
有可以有rough idea?????
如果有就不需要一大堆人paper去搞 order reduction 啦
個計算可以去到O(n2)以上, 什至會有幾萬X幾萬的matrix
why?因為Maxwell's equation寫法必然後果
詳情我就唔講啦

For making guess, what I said is having a general structure and rough idea is not meaningless. Also, solving simplified case is a training so the main point of this exercise is not how camp located the problems are and whether such cases exist in nature. In addition, it form the basis of the problem you are going to solve. Simplified models are useful if you consider local behavior. Therefore it is not totally useless. You have also learnt the simplified model as a first step of EM theory, right?

引用:

所以呢, make guess
Hill Climbing算法听過了吧
Simulated Annealing 就是估
你看,structure太恐怖,用prob做guess

How to make guess is also an important technique. In this aspect, I am sure that there must be somebody does a better job than us. Isn't it? Also, the difficulties of making guess heavily depends on the extend of accuracy you require. You do not have a wise and simple way to do this does not imply other scientists cannot.

引用:

活在Physics世界的人是不會知道Engineering世界的事
會以自己世界的看法去看, 結果就是可能出錯
正如我對QM, specific Relativity的認識不會比你們多
老實,我自己就對physics的看法就是 " 只是不停去搞model的學問, 也只不過也是stamp collection"
我這看法只是我由自己自己世界去看, 你們會有其他我不知道想法, 我會有錯也很正常

I cannot agree more. You are an engineer and I am a science student ( um... I probably have not yet been good enough to be called a scientist.) Therefore, you are supposed to know more engineering stuff (practical) than me and I am supposed to know more physics (theory)than you. What I tried to do is giving you one more view so that you will not give a inappropriate concept to those who are going to choose major. I don't think
地球不需那麼多人去搞pure science,而需更多人去搞科技
The other way around, I don't think the world need more scientists than engineers. Neither of them are more important (in all aspect). For practical applications, engineers certainly solve problems in a more efficient way.

引用:

正如你講
Theorists like beautiful and concise theories
Maxwell在Theorists的確very beautiful
不過我們不是Theorists
Beautiful, good, extra bonus !
But is it USEFUL?????

How useful depends on your focus. In some sense, I do think that predicting when will a meteorite hit the earth, and when will the sun and earth die out are important.

引用:

最後, 我強調, "從實用性質" 上, Engineering一定better過pure science
你是否搞錯了?

Totally agree that engineers can do a better job in practical applications. However, I don't think engineering is more useful than science and
science能給你的, engineering都能給你, why science but not engineering?
what I care about is the messege you sent to the youngsters

[ 本帖最後由 STEVEGARY 於 2013-8-11 03:40 PM 編輯 ]

作者: Automaton 時間: 2013-8-11 03:50 PM

Oh I see what you mean
Well then I should say

numerous youngsters belittle engineering

and I refute their ideas/thoughts by saying engineering is better than science

i have to do that

作者: Automaton 時間: 2013-8-18 03:41 AM

Post #2 文字略修改

作者: Automaton 時間: 2013-8-28 06:39 PM 標題: 等我話你知大學的殘酷

等我話你知大學的殘酷

我是讀engineering的,看事物會偏現實一點

所以呢我不是要寫殘酷的文章, 是指出現實而已

學無止境
“大學課程著重基礎訓練,令學生未來能從事工程各類工作,而且具備入讀研究院的準備知識水平”
這一類的說話,什麼課都合適,幾乎在那些promotion的website都會出現
老老實實, 這一類的說話是烏托邦

你入到工作場所, 依然是要學, 學無止境, 你絕對不能妄想, 終於完了.
為什麼?
例子,
讀電腦,一入公司就識睇個machine language, hardware language咩,咪一樣要學
讀機械工程, 一入機場就識搞飛機咩
讀Finance, 一入公司就識睇system咩,咪一樣要學
PE勁,一消防隊就識用云梯咩,咪一樣要學
讀Nursing, 一入飛行服務隊就可以立即飛咩

很多工作內容不光靠大學課程就能讓你立即上線
一定是要”再培育”
很多公司都一樣的
不只是這些要求”大學學歷”的工
所有工作, 例如普通工, 粗工都一樣

一做就識煮菜咩, 咪一樣要學
PE好, 一入消防隊就識用云梯咩,咪一樣要學
修車, 一入車房就識修車咩,咪一樣要學
君不知有項工作叫 “Graduate Trainee” “學徙” 嗎?

我記得在某個地方看見一個什麼某某銀行家對行業的評價之類, 有這一句
“行業本質發展迅速，業界人士需無止境進修增值，變相燃燒金錢”
這一句是很正確, 但思想太幼稚.
如果是科技那方面的科目,完全正確, 不過,因為business和technology的nature是永遠都dynamic的,永遠都會有新需求和進步, 例如軟件新需求, 系統更新, business environment是一定會變的, 要一勞永逸, 簡直就是幼稚的妄想

結果是有時很慘, 大學學的東西和上班的可以說是完全沒關係
例如如果讀chem的做不到化驗, 入藥廠, 讀電路底板的上班不是搞電子的, 讀音樂出來不是做音樂的..
結果大把大學生會講 : 我學完D野不三不四, 都唔知點解要學

大學的本質
大學真正的目的是基礎訓練, 為以後從事科研在用的
如果你甘願只到大學就好之後出去返工 , 大部份工都會是跟你大學無關的東西

“大學課程著重基礎訓練,令學生未來能  從事工程各類工作,而且  具備入讀研究院的準備知識水平”

應該是

“大學課程著重基礎訓練,令學生未來能具備入讀研究院的準備知識水平”

為什麼要學3年(DSE 4年)的東西?
因為
1. 世界是很大的, 沒你想像中那麼簡單
2. 你冇水準

我在這裡插下有夢想的傻仔
你發夢啦你, 想做科學家, 瘋狂讀書先啦, 勤力多四倍先啦

為什麼我要插人?
因為不夠水準, 學士夠咩料?學士有咩料?

世界是很大大大大大大大的, 沒你想像中那麼簡單!!!!!!!!!!!!!!!!!!!!!!
我一直講世界有幾大, 我就講下有幾大

就例如講做化學家 (我不是化學的專業, 但以我AL chem知識, 我夠資格講以下內容 )
中學生一定有人會講 : 我大學要講organic chem  我唔like其他chem! !
問題是, 搞organic只需要識organic chem就夠?

搞organic的用不到其他科?
要分離出產品,需要analytic chem的知識
要做合成,需要physical chem和kinetics去判斷怎樣加快reaction rate, 提高yield
要知化學作怎樣引發的, 要學physics的thermodynamics去判斷spontaneous, 和reaction 的 Gibbs energy
要知什麼catalyst可以加快reaction rate, 要學inorganic chem的transition element的特性
要知是否正確合成出所需產品, 要有instrumentation的光譜學跟質譜學知識
要知個產品的安全性, 要學toxicology

唔通手拿住支五顏六色的試管把水到來到去就叫化學家科學家咩

再來一個例子, 就講electronics
做個電子裝置, 上去深水涉買電子,自己裝,連起來,就叫搞電子咩
要實現個電子裝置的運作目的和功能,需要有數字電路邏輯的知識 (那些AND, OR, NOT,等等邏輯門)
要知個電子裝置的working頻率, 要有bandwidth的知識 (3dB bandwidth, Shannon Sampling Theorem等等)
要知個電子裝置的零件之間的接合是否適當, 要有electronics device的認識(BJT, MOSFET, impedance matching等等)
要知有關溫度對零件的影響, 要有solid state physics的認識 ( Fermi-Dirac Statistics, piezoelectric, pyroelectric等等)
要令個電子裝置反應更快更穩定, 要有控制論的知識 (Proportion-Integral-Differential Action, Feedback, 等等)
要令個電子裝置更有能源效益, 要有power electronics的知識( diode, power amplifier 等等)
要令個電子裝置自己識運作, 要有programming的知識( C, VHDL, assembly 等等)
要令個電子裝置運作不會出錯, 要有digital system的知識( timing diagram, state-machine 等等)
要令個電子裝置運作不會受外來電波干擾, 要有電磁學的知識 (例如EMI EMC, radiation : 知唔知咩係 single-event upset?)
如果個電子裝置有內置電源, 要有電池學的知識 (electrochemistry, power conversion等等)
如果個電子裝置有連接功能, 要有interface ...
如果個電子裝置會經常和人有互動,  ...
如果個電子裝置會經常接觸水 ...
仲有大把, 多到我唔想講

簡單來說,大學學的東西在研究所都用上

專門的領域會再更深入鑽研
所以呢

大一大二很重要, 打好基礎
千萬不要大一大二的東西, 學過就忘記, 忘記了的人, 就真係死蠢

再者
以我上講的,那一些科目
基本上
  一行字就是一科
對, 一科的閱讀量就是那些一本800~1000頁, 丟落街可以殺死人的磚頭書

有D中學生連睇200頁的中學課本都要睇成年, 發咩夢話做科學家, 發咩夢要高GPA啊
有心, 200頁2,3日, 什至1日,就可以KO

大學教授個個的房間都幾十本磚頭, 可想而知想搞科研的人是要付出多少努力
得把口冇用的

想高分, 想要夢想成真
麻煩努力多四倍
因為你真的很”冇料”

發夢不是不可以, 簡中發下是可以
不過如果是簡中發下夢, 那不叫”夢想”, 那叫”妄想”

有夢想不是不可以
不過

夢想沒有那麼便宜

老實,更現實,更殘酷的一句

夢想沒有便宜到只靠熱誠就可以實現

人愈大就會愈接近現實, 現實是殘酷的
可能你中學老師很好人地教你 , 也可能你瘋狂去cram school
當你去大學, 沒有得再依賴老師, 讀書要靠自己
有些prof跟本就沒心教書, TA也是
基本上如果個prof, TA是有心人士, 這已經是你好運
大學讀書一定是靠自己, 你不能保證個個prof都有心教
你只能努力

努力來自熱誠

雖然夢想沒有便宜到只靠熱誠就可以實現

為什麼?
原因是競爭
過份文憑主義和普及教育制度下必會引來競爭的激烈
結果周街都是大學生, 學士有咩料?
每年學士畢業有多少?
每年civil畢業有多少? 每年chem畢業有多少? 每年phy, maths, bio, econ, acc, blablabla學士畢業有多少?
你夠打? 你夠同級的人打? 你夠早你一年畢業的人打? 你夠早你幾年畢業的人打?
大陸人呢? 外國人呢? 你夠打?

世界是很大的, 沒你想像中那麼簡單

連畢業都沒你想像中那麼簡單

首先, 本科中本來就會有的屈機mainland / local狂人就不用多講了

我”幾位” HKU讀醫的朋友告訴我, 有些人在HKU讀MBBS呢, 是已經在外國大學讀完, 返香港再讀一次
為了什麼? 屈人機
難道屈人機是為了“出風頭”?用腦子想下都知為咩啦

錯誤的小眾數據思維
casino當有人玩老虎機中777, 部機會大響起來公告天下
我想講的是, 他中了, 有一個人中獎了,  問題是沒有中獎的人有多少呢? 你有沒有思考過?

再一個例子, 地球人,幾十億, 畸形人好少, 很”獨一無二”
問題是有冇禁少? 你知不知道那些畸形人, 其實有幾億億億億個, 不過都死掉了, 只是你不知罷了

簡單講就是
人通常只會留意那一些特殊事件, 而忽略了, 個statistic population size, 其實是奇大無比
奧林匹克運動會, 一個項目勝出的人只有3個, 那背後輸了的人有幾多個?

愛因斯坦, 牛頓, 勁到爆
不過那是多少個人才會出現一個?
夢想成真是很難的

人愈大就會愈接近現實, 現實是殘酷的

那怎麼辦
留意, “很難”不是”不可能”, 你可以選擇
1. 放棄
2. 不放棄, 努力, 不過這是一個很漫長的旅程
而且成效不明顯的
不會是你努力3個月就會有成果

大學教授個個的房間都幾十本磚頭, 可想而知想搞科研的人是要付出多少努力

如果你有心讀上去, 就一定要愛上磚頭

再者, 愈讀愈用腦, 你就學得愈快

就好像學語言

一個人由ABC都不認識地學到識 1000個vocab
和
一個人由識10000個vocab到識11000個vocab

後者是較易, 較輕鬆的

就好像 Search Engine, 愈多知識就愈可以做更多交互對比 , 個network都多一些node

所以要攻下的困難是看你肯不肯去建立你頭一萬個vocab

太多大學生就是這步不肯做就大叫大學很難, 這是愚蠢

當然

由沒有到建立到有一萬個vocab, 有如突然叫你走去讀俄文

開始時痛苦是一定的了, 因為現實就是你肯努力的話你就可以踏在那些不努力的人的屍體上

世界不會等你, 不進則退, 永遠沒有停

這就是世界的殘酷

[ 本帖最後由 Automaton 於 2013-12-27 01:15 PM 編輯 ]

作者: Automaton 時間: 2014-1-5 02:14 PM

Post #11
更新 Information Theory部份

作者: s1001021 時間: 2014-2-19 08:28 PM

支持!!!講得好好同埋我都推介一套漫畫比大家睇就係東大特訓班入面冇樓主講得咁"深" 不過都講出事實打破中學雞既無知

作者: jackyhy007 時間: 2014-6-6 01:06 AM

特登Login入黎
automation 哥, thx for sharing, 你教授得

我有興趣學更多 electronic既知識,希望你可以繼續出post la

作者: Automaton 時間: 2014-6-11 06:30 PM

引用:

原帖由 jackyhy007 於 2014-6-6 01:06 AM 發表
特登Login入黎
automation 哥, thx for sharing, 你教授得我有興趣學更多 electronic既知識,希望你可以繼續出post la

其實我一早就已經忘記了我曾經寫過什麼講過什麼了

不如你直接問想知什麼吧

作者: shareholders 時間: 2014-7-13 12:57 AM

其實智能電網在香港能否實行? 我個人意見: 在可見將來應該無咩可能, 因為香港的電站同電網, 都在中電同港燈手上, 而依兩間公司, 係唔容易改變

作者: Automaton 時間: 2014-7-13 11:45 AM

引用:

原帖由 shareholders 於 2014-7-13 12:57 AM 發表
其實智能電網在香港能否實行? 我個人意見: 在可見將來應該無咩可能, 因為香港的電站同電網, 都在中電同港燈手上, 而依兩間公司, 係唔容易改變

有錢能使鬼推磨
當智能電網能在overall profit gain得更多時
我唔信唔變

作者: 41200 時間: 2014-7-13 04:53 PM

見你前面提及Hill climbing...
我呢排都睇緊AI 同Bioinformatics 既野...
Automaton, 有無好書推介下?

我依家都有借左書...
不過想同時睇下第2本書既講法係點..
希望咁樣可以理解得好少少

作者: Automaton 時間: 2014-7-14 12:24 AM

引用:

原帖由 41200 於 2014-7-13 04:53 PM 發表
見你前面提及Hill climbing...
我呢排都睇緊AI 同Bioinformatics 既野...
Automaton, 有無好書推介下?

artificial intelligence界是個超級大field
超級老實
你問我有什麼書推介
和問我 "有什麼Physics書推介"一樣
就是你問得實在太太太general
我真係唔知你想要什麼

Automaton 和 Automation 雖然只差一個i字
不過其實有共通, 就是"智能"

AI和自動化是研究什麼?
簡單講, 就是令到一個物件, 會有"智能"的行為
什麼是"智能"的行為?
就是不是random,不是irrational,不是meaningless,不是no objective,等等等等
為什麼要有"智能"
因為電腦實在太stupid
下下都是人去操作真是浪費時間

那麼問題來了
你是要什麼sub-field?

AI簡單講就已經有NPL,ML,PR,DM,KP
唔講大sub-field,講一些example
你想知做分析機
例如去令電腦懂得分析人的句子去做processing阿 (Natural Language Processing)
還是想做決策機
例如given 一些input,個machine會知道應該做什麼才是best solution呢

因為我不是搞NLP的
所以我不太清楚natural language processing的東西

不過我還是叫做知道什麼是Machine Learning, Pattern Recognition, Data Mining 等等東西
這些方法基本上全部都是做"分類機/分析機" :

例如input一張相
個電腦可以知道你是男人還是女人

例如input一張有簽名的相
個電腦可以知道那個簽名是真是假

例如input個腦電波
個電腦可以知道你在思想什麼 (這個叫Brain computer interface,我其中一個research就是搞這個)

例如2014年3月個馬來西亞航空飛機失蹤事件
input所有有關事件的資料
個電腦可以知道在什麼地方可以找到個飛機碎片(事實上的確是找到了)

例如input地質資料的time series
個電腦可以知道什麼時候會地震

例如手機打中文
個字寫到畸形
個smart phone仲可以知道你在寫什麼...
等等等等...

基本上就是下面一大堆東西的混合物
ANN : Artificial Neural Network
kNN : k-nearest neighbors
k-mean clustering
Fisher LDA : Fisher Linear Discriminant Analysis
QDA : Quadratic Discriminant Analysis
SVM : Support Vector Machine
RPK space : Reproducing Kernel Space
FLS : Fuzzy Logic System
Fuzzy C-mean clustering
Page-rank
EM : Expectation–Maximization Algorithm
AdaBoost : Adaptive Boosting
Bayes Methods
CART : Classification and Regression Trees
GM : Genetic Algorithm
Agent
SA : Simulated Annealing
PCA : Principal Component Analysis
ICA : Independent Component Analysis

上面一大堆方法是Machine Learning / CS / Statistics 界的產物
讀晒佢你就勁過Business Major的人(所謂Business Intelligent Major都是讀這些東西)
一般一間U會開1~3科, 一定有得讀

如果上面入門的東西不夠喉

近年來的hot topics有
DL : Deep Learning
LASSO : Least Absolute Shrinkage and Selection Operator
LAR : Least Angle Regression
CS : Compressive Sensing
ML : Manifold Learning
IG : Information Geometry
Application of category theory in machine learning
這些都超有用
不過這些就太specific
而且部份的topic數學要求幾高
例如IG要求識 synthetic differential geometry
好彩我UG的時候沉迷Electromagnetics引致我都識一點點differential geometry
不然的話其實有些topics對EE/CS major的prerequisite要求過高
例如functor的theory,我真係唔信一講就會明...

不過總之學多一些math是好事
香港的大學的EE/CS department
一般都不會provide足夠的數學訓練
(這個是最bull**的設定,由其是香港大學)
所以, 你都係同我一樣自學啦

書的話
Bishop本machine learning入門
沒有其他, 就是入門好書
想多D math
就Tibshirani本The Element of statistical learning
這本是Bible, 好用, 夠用
而且3個作者都是來自全地球統計第一的Stanford
這本書無敵

可能我近年來狂睇stanford stat department的人的paper的關係
總之stanford出品就是goooooooooood
上面提到的AdaBoost其實和stanford的Efron(Tibshirani的老師)的Boosting有超級大關係
再加上近年LASSO, LAR, Compessive sensing都是來自stanford個department (T.Tao唔計)
總之如果要走AI中的Statistical Learning, 一定要睇晒stanford出品

總之要狂睇下面幾個人的paper
Hastie
Tibshirani
Friedman
Donoho
Emmanuel Candes
Efron
佢地的研究勁過晒一大堆來自Computer Science/EE的研究

唉, 一時愈講愈興奮, 講得太遠

作者: 41200 時間: 2014-7-14 01:17 AM

你叉太遠唔緊要既, 如果你有時間既話..你係講得岩既, 香港大學既EE/CS的確provide 得唔夠多math courses 比班學生打好個底..
應該話所有BEng/BSC (非MATH) 都係咁...
所以有時睇書都幾煩,成日見到佢話想知detail 就refer 返[XXXXX(years)]..
但係自問又未有咁深厚既數學底去睇明佢講咩- -

我自己都係岩岩睇AI 既野咋..Search 個方面既野同埋都有睇到Genetic Algorithm..
依家都係邊睇書邊睇外國大學既opencourse ware..

另外,睇黎我以後借書個陣都腸下有無Standford 出品先得

感謝你推介個2本書 em46

em46

[ 本帖最後由 41200 於 2014-7-14 01:21 AM 編輯 ]

作者: Automaton 時間: 2014-8-12 09:01 PM

我和其他人的對話
是禁的, 自從我2012年開始出現在這個網站之後,就都有幾多人給我發短消息問一些問題
就是因為有太多人問我問題, 令到我經常短消息的數量超過上限
搞到我要del短消息
正正因為我認為有些人問的問題都幾好
then我就在這裡post出那些我和其他人的對話 :

和hkjk3000於2012年的對話
hijk3000問過我有關CityU EE的course material
以下是我當時的回答 :

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-8-1 12:52 AM

引用:

我briefly go through 個web之後 :

EE2000 + EE2301 其實是"基礎circuit"的全部
Electric Circuit  (EE2301前) Electronic Circuit (EE2301後) Logic Circuit (EE2000)
( "非基礎circuit" : Microwave Circuit, Optical Circuit, Photonic Circuit, laser circuit )

EE2000
Tocci : Digital systems
         Computer architecture & logic design
         Microcomputer & microprocessor
Tocci的書, 我個人認為OK
不過我不是major computer architecture, 不是專家, 所以不一定正確
另外第3本可能不合適, 因為用motorola MC68HC11 system
如果course 用intel system就不太合適 (其實第3本更合適EE2004)

EE2301 分2部份 , Electric Circuit Analysis + Microelectronics
這一科最好幾本

Part I : Basic Concepts, Circuit Analysis, AC Circuit 的部份 :
因為都是數學技巧, 所以隨便一本書個名有 "Circuit Analysis", "Linear Circuit"等等的書就可以
如果真的要我給個作者: Sadiku & Alexander

Part II : Diode Circuits, Transistor, OpAmp 部份 :
1. Floyd, Electronic devices
很illustrative, step by step
2. Razavi, Fundamental of microelectronics
reference, 題目都可以看看
3. Sedra & Smith, Microelectronics
如果你之後會走 solid state 方向 (BJT, MOSFET, JFET, CMOS 等等)
(即take EE3110, EE3132, EE4104)
必看 (當然那個時候這本就變了不是主力書)
另外, 這本書很很很後的部份會有logic circuit (即EE2000的東西), 算有補充作用
我個人認為 : 先"快速"read完 Floyd ,再詳read Smith
當然, 最好就是超級詳細地read Smith
總之 Microelectronics 一定 Sedra & Smith
不過要說的是, Sedra & Smith 是 "詳細型"的書, 是very thick & heavy的

老老實實  這些course勤力一定高分 , 算easy course

引用:

其實我想知你睇書既習慣系點，究竟應該一口氣睇一個chapter,
skip 曬d 題目？定系睇下 d 題目講咩再返黎睇？

加上我之前睇過本書話 , 如果你睇書中途有咩唔明,
就應該繼續睇落去, 之後會愈黎愈明, 唔好中途停底？
咁樣既讀書方法又岩唔岩 ?

其實我之前識左個al 4a 既, 佢都系話睇書睇明佢.
但睇你個post, 究竟點先知點先系真正明？

姐系我想問你應該點讀書好？xd 唔該曬.
原始短消息: 我想問多d關於既enigne既野~

作者: Automaton 時間: 2014-8-12 09:03 PM

我和其他人的對話2

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-8-3 10:56 PM

引用:

----------------1. 實力Equation ----------------
(近日搞Reg Day, 忙得不可開交)
讀書分2種人 : 1 .Exam/Marks oriented (短跑)    2.Research oriented (長跑)
近日奧運, 就拿跑步作比喻
跑步要強, 一定要有良好跑步的技巧 + 身體機能良好 + 狀態好
考試一時的失手就好比  奧運一時失手
但是, 難道運動員一次的失手就代表他很廢?
傻的都知不是, 那只是他發揮不好

我"亂up"一條equation解釋分數和實力的關係
Grade = State ( Long term memory + short term memory )
G = S ( LTM + STM )

強不強要看平時, 即 LTM
考試前短期爆出來的 "分數", 是沒什麼用的
因為只是 STM 非常大
即使grade好, 但是在長遠來看, 作用不大
因為強不強要看平時, 即LTM, 不是G

相反, 根基很好, 但分數不太高的人
在 "潛移默化" 的作用下, 長遠來看作用大, 即大LTM

考試一時的失手就好比狀態S 變得很小
由equation可見, S的影響可以很大
所以S真的很重要

運動員平時多麼的厲害, 比賽時一個小erro就會失去金牌
但我們不能說沒金牌的運動員廢, 他們也很強
只是他們的S 一時之間很小

那些競賽性質較強的活動, 看的是分, grade
是含有 "氣數, 運氣, 狀態" 的 (例如multiple choice靠撞高分, 算什麼實力)

在research的世界, G 不是很重要
因為, 根本沒有什麼競賽, 也沒什麼運氣
難道 Research level 還玩 Multiple choice ???
(不是沒有, 不過少)
Research多數是 Essay , Thesis, 完全是給你發揮LTM的時候

運氣是有, 我不是完全否定運氣
我只是重複Richard Hamming所說的 : 運氣不是一切

(下一句話有點長, 請完整的理解)
在
"你有足夠時間以致個S大家都差不多的時候, LTM的值就是決定性因素 "
可見, LTM是真正需要的事(對於走research的人來說)
可是LTM對於走exam的人來說不重要

什麼人是exam oriented?
Business People
我個人對Business People的見解是 (開始罵Business People, 有點subjective)
Soft Skill的確很強, 很會包裝, 但根本沒什麼實力
因為他們需要的是短期利益
他們的product life cycle model, 完全是有 "用完即棄"的concept
他們相信沒有長久, 只有不停更新
所以他們需要的是 "短期之內利益最大化"
"短期之內利益最大化" 正正是和research 相反的事
所以Business People
我個人看法是 (有點negative)
全是 "一時好運(天時地利人和,S值很大)的無實力家伙"
所談的management, 懶科學
美其名 "運籌學", 完完全全比不上  Optimization 和 Convex Programming
即, 吹水科
所以, 為打工的人, LTM根本不合他們, 他們也不會去增高LTM的值

--------------------2. LTM是怎樣增加----------------------------
用中國的說法 : "潛移默化"
我想說的是, research人才, 是可以由日常的思考活動, 行為 "看"出來的
我識一些人 (不能算多)
口裡談很喜歡什麼什麼的, 都是混蛋
反而有一些人, 會無時無刻都在想
(就好像 Newton會無時無刻都在想why 有gravity一樣 (雖然這個故事是假的) )
那些人無時無刻都在想, 自自然會潛移默化
遲早會 "丁"到

所以, 怎樣讀書? (說了那麼久才入正題,哈哈)
怎樣讀書看你是type 1還是type 2
Type 1, 專攻exam
方法 : 操past paper
   完
對, 我想說的是,中學操past paper的所謂高手
全是沒什麼大不了

人面對不熟悉環境下, 才顯示到實力
操past paper只是令人在熟悉環境下生活到
Research的世界全是不熟悉環境

那些操past paper的所謂高手,
只是
"在前人已開發過的領域上鑽牛角尖的人而已"

如果想exam高分
就要熟exam的模式, 就要操past paper

我想說的是,  操past paper是一定要的, 你不可能完全不操
我想說是, 如果你不太理分數, 而且長遠看的話
應該分配多一些時間去看書而非操past paper

把時間很多都用在操past paper的人
會很高分
不過那人的視野只會很narrow
這是不合適research的

"在前人已開發過的領域上鑽牛角尖的人"
沒什麼了不起
"開發沒人知的領域的人"
才是厲害的人
所以, 如果是type 2的人, 你應該已明白要怎樣分配時間

看書怎樣看?
這其實是個蠢問題
不理你有沒有完整的看一次一個chapter
一定會出現有一些東西不明白

當一個chapter 是 100那麼長
當你看到50就出現一個不明白
那可以等價做  你看了2個 chpater
第1個是 1-49, 第2個是50-100

(沒人說過一定要當作者是上帝,他說chapter 1是1-100,
  誰說不可以把1個當是2個chapter
  完全跟書, 也是死路一條
  因為, 書是會錯的
  這裡我想說的一個訊息是, 如果不去做一些是思考去反駁text book
  而是 "完完全全的textbook信徒" 的話
  那人也不是research的人
  即是, 要嘗試挑戰 textbook)

  回到"看書怎樣看"  這話題
  當出現有一些東西不明白
  你可以做的是
            1. 記錄本書看到哪裡不明白
            2. 看下去, 一直看下去
            3. 重複step 2, 直到你支持不了

            4. step3的出現表示你有很多東西不明白, 即你有很多"記錄"
            5. 看其他書
            6. 重複5直到去消除不明白

我想說, 這個"algorithm"
你可以是 Path A : 1.5.6.2.5.6.2.5.6.2.5.6...
也可以是 Path B : 1.2.3.4.5.6.1.2.3.4.5.6.1.2.3.4.5.6 ....
哪個好?
根本就沒所謂

我個人 ? 我2者都有
根本就, 多看有益, 管你是 path A,B
愈多書愈好
因為
"沒有一本書可以萬能"
不同人不同口味, 沒有萬能key

--------------3. 怎樣叫做 "明"--------------------
明很難define
如果以你熟悉的事件去考你
你識做
是叫做
"在一個指定範圍之內, 你合乎作答要求"
然後給你分
這是中學用的
如果你"超班", 多數死路一條
因為可能老師不夠"料"

大學不一樣
大學你可以玩 "超班"
你可以反對Prof的意見, 什至說他錯concept
(當然你要有道理, 有proof, 等等) 這樣做,你可以更高分
當然, 反Prof是超人做的事, 沒有足夠料還是做乖乖好
不過如果你有能力可以 "反Prof"
那證明你在那一範圍, 極之明白
因為你比專家更 "專家"
(Grad School 中, 反Prof 不是少有的事, 如果你是決策人, Prof是意見提議者 )

如果不走 "反Prof"路線, 如何知自己明不明白 ?
那就要多角度思考

因為 exam
"在一個指定範圍之內, 你合乎作答要求"
其實更正常應該是
"在一個指定範圍之內, 用一個指定的角度去看, 你合乎作答要求"

例如circuit
V=IR, Norton, Loop, Mesh, Max power transfer,  DC point ,等等
"Standard Circuit Theory"
其實是 "Low Frequency Special Case of Maxwell Equation"

Optics, image distance, law of reflection, refraction等等
也其實也是Maxwell's Equation的 Special case

你有沒有想像過, very high frequency時
V=IR 是不太正確的呢
結果根據V=IR所 develop出來的全都不太正確於high frequency system上

不過, 你認為你中學時在cirucit, optics的Essay題那裡填上這些
"離經叛道"的話會有分?
那只會令marker認為你傻

這正正是因為
"世界實在是太大, 沒有想像中那麼簡單"

因為太大, 所以一定要 "知識分割"
不過Gibbs說過
"大自然是完整的, 分割知識只會令她破碎"

"在一個角度去看一件事"
其實也只是盲子摸象
所以, 每一個Prof, 也其實只是
"活在他自己領域的專家而已"
更bad的說法
每一個Prof, 也其實只是
"只會躲在他自己熟悉的領域的人而已"
(如果我Prof老闆听到這些話, 我就大獲 )

要真正明白
要 integrate 不同area
以不同角度去看一件事
明白對同一件事的眾多不同Theory之間的關係
這
是極難的
也
極花時間的

正因為
"世界實在是太大"
所以
"角度實在是太多"
即
"要花很多時間去integrate眾多Theorem "

所以Physics中Maths中
統一的"萬有理論", 是多麼的強
強到我不識描述
真因為強, 可以link到不同事
所以給那個equation命名那個人去記念他的偉大

我說的是

"明"是一個很模糊的狀態
(如果你讀 Fuzzy System就知什麼叫模糊)

你走去考中一數
可以100分
也可以0分
對,這一定可能
中一奧數也可能難到我

難道中一普通數100分那叫識?
難道中一奧數0分那叫不識?

真正識不識
不是分數能描述的
這正是模糊系統
一個不是非黑即白, 非0即1的世界
的有趣之處

我真的不能說什麼是 "明"
因為沒有一個 very clear definition
這個 "明"的concept
只能是用一個probability parameter來描述

所以, 明白明, 有沒有料自己知
你能由自己可以process的information / problem 來量一下自己到底明不明

Exam marks是一個準則
不過不是全部

最後, 我就給你一個功課
Physics Mechanics中有一個eqaution : s = ut + 0.5at^2
這個一定識
請你思考一下這條equation和 Taylor Series的關係
下次回答我

----------------
一時在車上打太字,哈哈
如果你有什麼問題, 當然可以問我
我算得閒

作者: Automaton 時間: 2014-8-12 09:07 PM

我和其他人的對話3
引用:

原始短消息: 我想問多d關於既enigne既野~

s=ut +1/2 at^2 條式個前題系 a= constant, 咁無論s^n(0) for n=3, 4 , 5 .........., 全部都系0
remainder =0

Good, but what about if a is not constant

原始短消息:
我想問多d關於既enigne既野~引用:

但系呢條式既前題唔系 a = constant咩？

if a is not constant
that means this mathematical model is incorrect
Or i would say it is INCOMPLETE
incomplete => there should be other terms so that the equation is complete

s(t)= s(o)+s'(0)t+ s''(0)/2! t^2 + ...
keep going
s(t)= s(o)+s'(0)t+ s''(0)/2! t^2  + s'''(0)/ 3! ^3 + ...

http://latex.codecogs.com/gif.la ... {d^3s}{dt^2}t^3 ...

Nothing in kinematics says the acceleration Has to be constant , nothing

不過小心, s = s(t)= s(o)+s'(0)t+ s''(0)/2! t^2
是 EXACT equation
是一個 "Ideal Case" ( a = constant )

而  s(t)= s(o)+s'(0)t+ s''(0)/2! t^2  + s'''(0)/ 3! ^3 + ...
是 Taylor series approximation
不是一個 ideal case (可以一直 d下去)

In Engineering, 個solution只要fit , 是Exact solution 也好, 是approximation也好
只要agree with each other ,就OK

再者, Taylor aprroximation 最後一定會是exact solution if you delete higher order non-zero term
因為 s(t)= s(o)+s'(0)t+ s''(0)/2! t^2  + 0 + 0 + 0 + ...
都是Talyor Series, 0 都是term
(即是就算是一個 number , 例如 3, 都是Taylor series, 3 = 3 + 0 + 0 + 0 + 0 +... )

為什麼我會提出這個問題
因為 a = constant is not always true in Engineering !
the 4th term is called jerk

我太多嘴, 再多嘴一句
jerk system
http://latex.codecogs.com/gif.la ... cogs.com/gif.latex?\dfrac{d^4s}{dt^4} = f \left ( s, s',s'' \right )  [/url]
做做下會變混沌理論

而且 ! 可以用circuit 表現出來
如果你有circuit design project  做這個, 我包你嚇死所有人
當然, just a joke, 別深究

原始短消息:
我想問多d關於既enigne既野~引用:

老實講我真系第一次聽講 d 完acceleration 仲有野

哈哈
所以我在我篇文章才不停強調
"世界是很大的, 沒你想像中那麼簡單"
不過, 是我多嘴了點
jerk 應該不會在undergrad出現 (我指EE, Mech我不知)
Jerk的出現, 早快也應該是 intermediate control theory

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-8-8 09:19 PM

引用:

原始短消息: 我想問多d關於既enigne既野~
[quote]仲有個問題呀 , 點為之快速read完一本書...

-----Defer------
有幾個原因
Sandwich Year
有些人會返工返一個sem, 什至一年 , 返intern gain experience , 這情況下department 都會接受defer
Poor performance, 低GPA , poor grade, 這個一定會有
3. 無錢交學費
4. Requirement 還沒有fulfill
這個最蠢, 例如有個人一直都忘記take 一科core
結果grad時才發現自己3年一直都miss了一科core, 結果為了一科defer

(不是嚇你) 我想說的是, 大學好像很風光
不過每年都踢人走  , 因為GPA實在太差, 例如不過1
不過我認為GPA不過 1 和會考0分一樣不可思議
有讀書, 正常人都可以過2.4

--浮沉---
首先, 如果你想讀上去, 摺拉當然是日日都去, "絕對不癲", 正常得很
因為如果你enjoy, 根本就快樂不知時日過, 一下子4,5小時, 真的是很普遍
不過, 不一定是lib, 也可以是PC Lab, Lab room, computer room等等地方去study
我知CityU 個Lib都幾多study area , 所以一定有位

(接下來有點"technical")
如果你想不給你知道的情況下study
即不想給人知道你摺拉而不去join activity  有幾個方法

如果有人問你去join activity,自己先決定一下join不join
我有時join有時不join (所以我不算完全潛)
如果不join, 有一個幾強的借口 : 打工,  你就話你要返part time
因為返part time在大學很普遍, 而且大家都會明白$的重要性

之後就是選地方study
去另一個department 的 PC room , 不要去自己department的, 不過要有其他department的朋友
去lib偏僻些的地方 / 去lib沒人借書的書櫃那裡坐地板 (in this case you need to use computer)

--對於組爸組媽---
一般而言組爸組媽都很talkative,  令外如果組爸組媽是GPA好和同時都幾浮的話, 那人會是很有time management skill的人

--讀書--
老老實實我year ONE 當時讀7科 (當然, 之後都6科)
首先, 你要有感覺就是中英文要 "NO workload" 不可以有東西煩
要快快KO掉, 大學language一般中英都幾無聊

之後就是technical的科
首先我要說的是  "EE"的科程連貫性很強
(EM : Electromagnetics  ME : Maxwell Equation  QM : Quantum Mechanics)

EM ---> ME --> Wave Guide / Antenna / Fiber Optics ---> Photonics , Optical Communication, Radio ,
EM --> Circuit Analysis --> Analogue Electronics --> Integrated Circuit --> VLSI
QM + Solid State ---> Electronic Material ---> Electronic Device --> Digital Electronics
Number Theory--->Computer Organization-->Digital System-->Computer architecture-
  ---->Embedded System, Reconfigurable System, Parallel System
Signal Processing --> Control System Theory ---> Multi-media Communication ---> Robotics, Machine Learning, A.I.
Communication --> Computer Network --> Distributed Computing -> Cloud Computing
這些是主菜, 那些什麼ODE ,PDE, SDE, Vector, Calculus, Convex Optimization ...
只是 "數學工具" 給我們多些vocab去描述/表達system

數很重要
因為 Engineering很 "數學化"
應該說狂用 "Mathematical Modeling" (我會說比Physics我們更接近數學)
即, 你數愈好, 愈好"文彩"

例如 Neuron 神經, 都可以用 Equation 個表達

[url]http://latex.codecogs.com/gif.latex?y=%20\textup{Sgn}%20\left%20(%20\sum%20x_i%20w_i%20-T%20\right%20)%20\\%20x%20:%20input%20\%20\%20\%20w%20:%20weighting%20\%20\%20\%20\%20T%20:%20Action%20\%20Potential%20\%20Voltage%20\\%20Sgn%20:%20Sign%20\%20Function%20\\%20\textup{Output%20is%201%20if%20sum%20of%20all%20input%20voltage%20is%20higher%20than%20the%20min.%20requirement%20T}
[/url]

因為科目 link together, 所以你也要 link up together
會有一些東西你會認為 AL 教過, 大學再教一次, 好像很浪費時間
NO, 你應該要這樣想  你早已學過, 這次見就要以更高層次去看
就好像我跟你說的 s = ut + 0.5 at^2 的過程一樣

大學是會把一件事研究到很入
V=IR 好像太簡單, 其實不,
如果我跟你說這也是 Ohm's Law 你知不知?
[url]http://latex.codecogs.com/gif.latex?\bar{J}%20=%20\sigma%20\bar{E} [/url]

有時認為太多東西讀是因為你迷失在小chapter中
你應該要有一個 high level thinking
就是知道這一課是講什麼, 有個大約的framework
Detail的可以自己推就自己推
如果一時迷失在一個小chapter的一個小detail之中
那你就會感到好像很多東西
老老實實  成功之道就是  "

rinciple of Abstraction"
Abstraction 是把一個事件不太重要的小部份刪去不理
只留意重要性高的那部份
其實, 那些 Formula, Equation, 正正就是在做 "Abstraction" 的工作
KE = 0.5 mv^2 正正把 mass, Energy, velocity 連起來, 減小了很多多餘的小事
你不用去記 v大時 KE就大, 同一V時m大的KE就大這一類句子
讀大學就是要把這個 "想法" 再擴大

最後何讀快看
就是看Preface, Note to student, introduction, chapter one , chapter zero等等地方先令自己明白
在發生什麼事
之後每個chapter看一下
一般一日一本 600頁
快的話可以3小時一本[/quote]

作者: Automaton 時間: 2014-8-12 09:15 PM

我和其他人的對話4
原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-8-10 02:13 PM

引用:

原始短消息: 我想問多d關於既enigne既野~
[quote]其實我都發現我自己讀書好容易被一個小小既問題阻住
,可能呢d問題真系完全唔重要, 但有時我會想明埋佢.......
principle of Abstraction, 我上網睇左呢個terms呢 ,
解話系將一d野抽象化左佢, ignore曬唔重要既野.
但我都唔系好明點去應用系自己度...
可唔可以詳解下, 或者可唔可以講下如果你睇緊一科新書,
你會點用呢個principle 去幫你讀書？？

給困在"一個小話題"是很正常的事
你可以選擇不去理, 也可以選擇去理

Engineering除了很連貫, 也很分"層次"
就用Computer來說明

最最最最high level的是數學, 是理論,研究怎樣programm快
對於只求"識打programm的人,如EE人,不太重要"
EE人無聊到去研究stirling formula是怎樣prove出來的, 浪費時間
應該有時間的時候,如sem break才去做
再極端點,你不會走去研究四色問題
(EE的數, 可能會有Discrete Math, 會接觸四色問題, Stirling, 不會不用太深入)
一樣,對於CS人他們不會去理為Operational Amplifier的working principle
因為"浪費時間"

EE,CE人就要知BJT Bipolar Junction Transistor怎樣work
不過CE的人不用去知為什麼個diode可做單向流動器,只給電向一個方向走
會研究Electronic Device的EE人就要去深究為什麼PN Junction可以做單向流動器
要知那些build in voltage, build-in E-field等等
最多去到Fermi-Dirac Statistics,Maxwell-Boltzmann Statistics
而不用知這些statistics怎樣來的
同理,會研究Electronic Device的EE人要去深究為什麼會有Quantum Tunneling Effect
不過不用知為什麼有量子力學,不用知怎樣develop出來
如果要知道Fermi-Dirac Statistics, Quantum Mechanics怎樣來的
要走去take PHYS course
不過PHYS人也不用去知那些Gauss Law of Vector Calculus,Stoke LAw是怎樣來的
那是Math Major的人的事
Math Major的人也不用去知那什麼First Order Logic,Second Order Logic,
那是philosophyh的人的事

即是說, 見好即收
不可能什麼都去知晒個historical development,proof
要停在一些地步 (對於undergrad來說一定要這樣)
對, 我即是說, 有一些東西,背,不明白也背
很正常, 因為不需要去明,也因為根本就不用去明
我當初也是完全不明白Fermi-Dirac Statistics怎樣來
當初也看不脂個proof, 背條equation就走去考試

我不是反對 "打破沙鍋問到底"的精神
我是反對undergrad時太"打破沙鍋問到底"
你會知如果F4時上Phy走去和老師吵"p=mv是錯的,因為相對論說這是錯"的話
後果是什麼吧

"打破沙鍋問到底"是可以(而且需要)
但undergrad不要做太多, 不是不做, 而是應該在有時間的時候做
平時有時間就可以做,即使不是sem break
不過考試之前就別了, 花在小問題太久, 浪費時間

而且,一個小問題可能不重要
(也可能因為研究這小問題是之後的事, undergrad不會理)
所以不用去理

你知columb's Law
如果我現在告訴你
有時columb's Law不太正確
個ε有時不是scalar constant, 而是個matrix, 而且叫Tensor
如果之後你走去深研什麼是Tensor, 結果是完全浪費時間
因為Level 1的EM重點不在那個 Tensor那裡
同理, 你走去研究Four Vector也是浪費時間

你這樣 "資源錯配" 是用錯勁, 用錯方向, 用錯地方, 自然fail

不要做太多非重要的事
是因為東西實在太多
由Netowrking System
到Distributed Computing
到Communication System
到Software Engineering
到Pogramming
到Operating System
到Computer Organization
到Digital System
到IC System
到Circuit System
到Device System
到Material System
到Physical System
到Maths
到Logic
不覺得要學的略多嗎
我對這幾十個system,都30幾40科, 大部份都是叫"有認識(即最多take了1,2course)"
我也只專2,3個範疇
想專晒, OK, 有時間先

給小小的問題阻了, 因小失大就太蠢了

要是你死都要消滅那個個小問題 (有時候會有需要)
我已講過
1. 看其他書, 看不明再看另一本, 看到明為止
2. 問人, 問不明再問另一人, 問到明為止
3. 放棄

放棄不一定是壞事, 那是給你更多資料投放到其他地方的好事

而如何Abstraction, very simple
畫mind map, draw summary,表列重點
這些東西, 小學中學一定听過n次

不過因為中小學知識有點低能
即知識量太少, 所以沒什麼人會用
如果小學都要用mind map去組織知識, 而不能在自己個腦內組織的話
那個人應該有點低能

到了大學知識量大增
一時組織不了, 很正常
所以需要mind map, summary list等等

畫mind map你不會畫到個mind map要用A1 size的紙,
寫summary你不會寫到10幾張紙
表列重點你不會去列100個point

這些"做summary"的行為是為什麼, 就是要你清楚個flow是怎樣

我一時之間
彈條Skin Effect Eqaution
彈個interrupt service routine stack
彈個Bode Plot
你根本就不知道在發生什麼事

因為你不知事件來龍去脈
要明就要知事件來龍去脈

不過因為太多知識
所以寫summary, 令自己睇自己的notes時
可以很快記起事件來龍去脈

所以這就是 "寫notes的重要性"

不過怎樣寫notes
or 應該話
"怎樣去篩選什麼資訊要寫什麼不要寫"
or
"培養出篩選資訊的能力" 即 Abstraction
那是你自己應該自己develop出來的

"大匠能與人規矩，不能使人巧"

我不需要mind map
因為我已讀晒明晒 (最少都會明晒大路的部份)
所以不用mind map
我學新野
一樣會寫notes,list summary, mind map

大學知識量大, 不是中小學那麼丁點般小
所以需要這些知識組織技巧[/quote]

原始短消息: 我想問多d關於既enigne既野~

引用:

唔該曬你先
之後有個問題,
點解calculus 要研究一個fuction or series究竟有無limit？？
我唔明既系如果一個series 有limit 既話代表左咩？？

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-8-12 07:50 PM

引用:

哈, 我估你應該是在看power series, Taylor series之類東西

這部份叫Analysis , 研究Analytic, Smoothness 等等
相對一般Calculus, 應該是最深的部分

一Function一般包括
Limit existence
Limit uniqueness
Continuous
類推至 f' 的Limit existence, Limit uniqueness, Continuous
f'', f''' , f'''' ,.....

Function 是一個mapping
由domain set map去range set
2個set 可以是 countable set
也可以是uncountable

如果是discrete set,
例如 integer map to integer
可以叫sequence

而series是sum of all terms of a sequence

series 最終會不會converge 去一個定值
即是series 有沒有limit
數學上是純粹研究有沒有limit, 有沒有收斂值
例如 0.5 + 0.25 + 0.125 + 0.0625 + ... = 1

不過engineering角度上
有些東西可以用series表達
而當series有limit, 有收斂值
即那個事件最終會有一個定值
即是說那事最後不會是波伏不定
例如damping
對研究穩定度有用

話時話, 提起Damping
Damping的數學
在EE都佔幾重要的地位
差不多科科都會見
一定要熟

我相信 n個星期, or n個月之後
你會明白 "個e有negative real part 即表示system stable"
這是在說什麼了

作者: Automaton 時間: 2014-8-12 09:23 PM

和其他人的對話5

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-8-18 07:38 PM

引用:

undergrad名不重要
因為postgrad 大把人
physics轉Engineering
Maths轉Engineeing
Engineerng轉Physics / Maths

應該要說專業在哪一個領域
個undergrad個名其實沒什麼indication

我undergrad是Electronics & Communication
不過我個人2極化
我take很多 Information Engineering, 很Maths, high level 的course
(基本上叫Control , System, Signal, Communication, Multi-media, Information Theory等等)
也take很多 Physics, 很low level方面的course
(keyword包括 Electromagnetics, Microwave, Optoelectronics, Phontonics, Wireless)
反而 middle level, 中間的Solide State 我take很少
(例如Electronic Structure, Electronic Device, Logic Circuit, IC Design, VLSI)
當然, 我是指advanced level , free elective
core/compulsory的話我當然所有level 的basic course都有take, 例如Quantum, OS, Computer Organization, Java等等

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-8-17 05:20 PM

引用:

現在Engine很少人會有你這樣, 肯自發性去找資料
天才自己找機會, 庸才等機會, 蠢才錯過機會
你肯自己去search infromation, 已很好
如果再加上堅持力, 就極好
--------
我要說一下, Neuroscience, 可以說是極辛苦
首先 Neuroscience 是 "分支極大極廣的科目"
因為太廣, 我也不太敢對這一科說三道四
Neuroscience 可以分Purely Biochemical , Physical 和 Electrical
Biochemical, Physical方面我就不多講, 反正我認識不多

Electrical方面, 其實應該叫(Information方面)
Neuroscience是Mathematical Modeling , Artificial Neural Network, Signal Processing, A.I. , Fuzzy System

主要是 :怎樣去用數學去描述 Neuron的運作
因為電子訊息, 用數學描述已有多年, 所以研究者也用數學去描述 neoron

這裡有份power point (上網隨手找到的)
你可以看看,當作是computation neuronscience的簡單介紹 (數太難太淺就別理了, 重點在concept)
http://202.203.158.122:520/shownew.asp?ID=106

其他科包括 : Singal, System, Imaging, BioPhotonics
這些科正好是EEE搞的, 所以我熟悉
Anatomy, Chem, Biology當然是Medic部門了
Material, Mechanics當然是Mechanic 部門

so, 你入了Engine正好
HKU research正好有2群人和你想讀的東西有關
(Information System & Biomedical Engineering)

HKU EEE有個老師, 叫 Dr. Zhiguo Zhang
專搞neural engineering & computational neuroscience
而另外有個老師, 叫Dr. G.Pang會有Neural Network這一科
你大約會在year4才上到他的課 (當然, 你year1就走去take他的課也可以)

總之  搞人機合一的人有, 搞腦波分析的也有, 搞神經綱網路的也有
搞MRI, imaging的也有, 搞神經Maths的也有...
-------------------------
Take BEM

我想說
Undergrad的"名" 不重要, 因為你可以用free elective去take 其他科
我個人認為Biomedi會好一些 (雖然BioMed少elective)
Computing & Data Analytics的確較"遠一點"

老實講 Computing技巧是可以自己磨鍊出來
學programming : C, C++, Java, Python, MATLAB, 等等
可以自學, 只有"Algorithm"要跟老師學, 所以可以做elective而不是main course

而所謂 "Computation" , 是指你要搞些software
叫就叫搞software, 實際是數學, 搞"solver"
(e.g. , 例子對你來說太深 : Kalman Filter, Finite Elemental, Boundary Elemental,Finite Difference, stochastic solver )

簡單講, 即solve problem using computer, 不過你要 "叫個computer跟你做" 就是數學

另外 BEM就"講到明我好廣"
你要讀的Nueurosicence, 是grad school之後才開始
所以我認為, BEM好因為基礎很重要

year1,2,3要廣

(而且, 人心可能會變, 我中學/year one時很喜歡physics
我現在一樣喜歡, 不過有另一科我更喜歡
不過不等於我現在沒take physics, 我照take, 例如Quatum, Photonics等等)

我想說的是
" 廣" 是沒問題的 , 你year3,4才來決定"專" 也不遲

Research 叫就叫"專"
不過我可以說, 基本上所有EEE 老師都識Physics都識Maths都識Computer

我想說的是 "你太快就鑽牛角尖"
而且根本那些undergrad東西就是基本要求, 一定要識
你可以說你討厭科目A, 難道都不take科目A?

那只是逃避有那一科的出現表示那一科有她的重要性和地位

科目不是零碎的散件, 有其用的
你認為沒用沒關
其實是 :
你還自己沒有能力 / 還沒到那個level去發現他們的關係罷了

我當然不是叫你去take 中史elective
那當然沒什麼連接性

我想說的是  你個knowledge base愈大
就愈有機會個腦"叮"到一些東西
之後就可以出paper
視野太narrow不好

我不反對你說的 "專心一致" 是好
我反對你"太早說" 現在你應該把眼界放大
因為
世界真的很很很大  不是你想像中那麼小

其實我有很多例子  不過太多字, 我不打了

所以你現在要做的是打好基礎

例如知道我下面所例出的
一"小"部份的key word是什麼

例如
數學上知道什麼是 Laplacian, Wronskian, Vector Space
電腦上知道什麼是 DMA, Interrupt Routine, CCR
物理上知道什麼是 Osciallation Damping, Gauss Law
化學上知道什麼是 d-block, Nernst Equation, Gibbs Energy
程式上知道什麼是 OOP, Thread, race condition
生物上, 我不知道, 不說
工程上知道什麼是 Feedback, Stability, Fouries, Zeta, Shannon

不只是知個名
而是要知
-概念是什麼
-為什麼有這概念
-數學式是什麼樣子
-有什麼意義
-這概念的前因後果是什麼

有這些實力才叫 "基礎好"
再者, 這只是一"小"部份

我再說一次
"世界真的很很很大  不是你想像中那麼小"

直接一句有攻擊性的話就是
"你知的太小, 談什麼Neuroscience"

最後我想說
可能我講到太多techical stuff
也可能因為我是TA
令你誤會
我還只是個undergrad , 不是什麼MPhil / PhD
只是高你2,3級

另外, 下星期HKU Engine有些數學course (non-credit bearing)
Matrix, Vector, Calculs (我覺得太淺)
如果你想來,可以來
Chong Yuet Ming Building P1 , 10:30-12:30, 2:30-3:30
因為我教(下午那part)

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-8-18 12:29 AM

引用:

原始短消息: HKU BEng(sci)選科一問
[quote]原始短消息: HKU BEng(sci)選科一問

多謝師兄答了我那麼多東西, 我實在獲益良多
你提及的數學course我應該是不去了(最近在自修multi-variable calculus)
最後多謝你那句"你知的太小, 談什麼Neuroscience"
一語中的
我瞭解到自己的目光好像放得長遠也太狹隘了謝謝

很好, 自修multi-variable calculus
下一步是Complex Analysis
即Complex Domain Calculus
2者關係密切
不過可能略抽象[/quote]

作者: Automaton 時間: 2014-8-12 09:28 PM

我和其他人的對話6
原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-8-19 07:20 PM

引用:

MOST (not all) undergrad 既course 同post 有連繫
無連繫我認為只有computational neuroscience
Under grad 有什麼stream, post grad就會有什麼stream

沒理由法文Prof會開undergrad德文course
只是因為東西的確超多, 不可能undergrad就去到最前線,
而最update的information和研究因為還沒confirm / 成形
會不停更新
所以會造成undergrad course和post grad course 青黃不接的情況

不過一般都會有關
而且就算關, 例如Phy undergrad走去EE post grad
個prof會"就"人, 教慢少少

再者post grad不是看 "讀書"
(post grad take 999999個course都可以, 因為一個星期得幾堂, 幾日day off)
post grad 是跟"人"
好叫一些就叫  好像 Star War 中的Jedi 師徒關係般
難听一些就叫做prof個工人

所以, 應該說 "要看研究什麼, 不是說走什麼stream"
因為可以去到很很很很小
Stream 粗糙可以分 : Physical, Mathematical , Computing, Networking

Physical :
1. Solid State Electronics
Electronic Material , Fibcation, Laser, Nano LED

2. Computational Electromagnetics
Antenna , Electromagnetic Compability, Radio Astronomy, Radio Frequency Circuit, Millimeter Wave

3. Opto-electronic
Organic Device, Organic Solar Cell, Ultra Thin Device, Organic LED

4. Photonics
Fiber Optics, Photonic Device, Photon Computing, photonic nano-crystal

5. Quanutm
Quantum Information, Quantum Computing, Quantum Communication

6. Other
Spintronics, Plasma, Neuron Beam, Magnetic Material, Laser-Plasma Application

7. Power (大電搞的, 我最不熟悉)
Wireless Power Transfer (特斯拉線圈) ,  Smart Grid, Power Electronics

Mathematical
7. Control,  Cybernetics & Automation
Robust Control, Automous Control, Non-linear Control, Robotics, Optimize Control, Dynamic System, Chaos theory, Sensor Network

8. Artificial intelligence
Machine Learning, Machine Vision, Pattern Matching, Computational Neuroscience, Artifical Neuronetwork, Fuzzy System

9.Communication
Wireless, Cellular Radio, Personal Communication, Noise Reduction, Telecommunication, Ultra-Long Distance Communications

10. Signal Processing
Digital Image Processing, Multi-media Signal Processing, Digital Signal Processing, Data Compression, Video Signal, Brain Wave

Computing & Networking
11. Netowking
Queueing Theory, Distributed Computing, Cloud Computing, Distributed System, Pear to Pear

12. Computing
High Performance Computing, Reconfigurable Computing, Parallel Computing, von Neumann Machine

老實講還有其他分支 (例如 imaging ) , 不過我更不識
由我論壇個名, 你知我走哪一方面吧...

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-8-19 08:45 PM

引用:

原始短消息: 我想問多d關於既enigne既野~
[quote]明白明白.... 其實宜家諗定讀咩undergrad steam 會唔會太快, 定系讀完一個sem 先睇？
原始短消息: 我想問多d關於既enigne既野~

Year 2才去想好一點
當year 2時finish晒所有basic course
有個general EE的印象
那時才決定好一點

因為
如果以year one那些 V=IR的circuit analysis來決定的話
我認為太無聊

而且, 那些circuit analysis, 什麼kirchhoff's laws等等 detail 我都已經早就忘記得7788
應該說所有人都會忘記
因為根本不會用手計

所以year one course不能作準

year 2 sem one 之後才去選好一點

-----------
另外, 如果是CityU

我個人認為
走EM好
CityU EM

其他的, 例如 Material Science 我就不知道了[/quote]

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-8-21 03:57 PM

引用:

原始短消息: 我想問多d關於既enigne既野~
[quote]上 lecture個陣其實抄唔抄筆記好,
定系話專心聽個prof講野好d.....
定系你會自己睇書算？

Both[/quote]

作者: Automaton 時間: 2014-8-12 09:36 PM

我和其他人的對話7
原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-8-23 12:09 PM

引用:

原始短消息: ADVANCED PLACEMENT TEST 一問
[quote]師兄你好:
今日去了港大reg day, 得到一份資料, 上面寫在8月尾將會有advanced placement test, 請問這是不是意味只要我通過了一個test, 就不用修那test對應的課程? 謝謝!

YES!!!!
不過, 如果之前完全沒有學過
95% Fail
因為,這有如給你一個月, 叫你去讀一科難度是 1.7 DSE的科目之後叫你拿5*以上
(not exaggerating for "mathematics")[/quote]

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-8-23 07:36 PM

引用:

原始短消息: ADVANCED PLACEMENT TEST 一問
[quote]原始短消息: ADVANCED PLACEMENT TEST 一問
如果我multi-variable calculus只學到line integral
足夠應付考試嗎?
我知可能還有green's function等等的東西

請你告訴我那個科目code, ENGG XXXX, MATH XXXX 等等
因為我不知道4年制的數去到是什麼地步

以3年制的數來說
NO, absolutely NO, 你只會最多有15分
因為vector cal最少都surface , volume integral
Gauss Divergent Theorem, Stoke Curl Theorem
而且multiple variable calculus 只佔100分中的30分

還有ODE, Laplace Transform, Linear Algebra, Vector Space, Geometry
3年制的數 "一科讀晒以上所有課題" (所以都幾多人F

)
所以個placement test是有難度的

4年的我不知道, 所以你要給個course code我
去不去考要看content的數量有沒有減少

當然如果你對去大學來來回回所用的2,3小時交通時間感到沒什麼所謂的話
一樣去考都可以, 沒人阻止

不過萬一太太低分, 最好不要 (減印象分, 因為會有record)

所以, 先要給個course code我
-----------------
對於4年制來說
完全明白Green的話,

再明白Gauss & Stoke 的話

(那麼calculus 對你只剩下Cauchy 和Laurent

)[/quote]

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-8-23 10:43 PM

引用:

原始短消息: ADVANCED PLACEMENT TEST 一問
[quote]原始短消息: ADVANCED PLACEMENT TEST 一問
MATH1851 Calculus and ordinary differential equations (6 credits)
- Differential and Integral Calculus (Single Variable)
- Ordinary Differential Equations
- Laplace Transforms

MATH1853 Linear algebra, probability and statistics (6 credits)
- Vector Algebra; Matrix Algebra; Eigenvalues Problems
- Elementary Complex Variables
- Basic Probability Laws; Random Variables, Probability Distribution, Expectation and Variance
- Binomial, Geometric, and Poisson Distribution; Normal Distribution
- Sampling distribution, Point Estimates and Confidence Interval

ENGG1002 Computer Programming and Applications(6 credits)
-C++ syntax, identifiers, data types, control statements, functions, arrays, file access
-Program design, implementation and debugging, problem solving
-Class and objects, string, structures and pointers, recursion, linked list, dynamic data structures

原來如此
MATH1851 可以一試, 真, 因為ODE最最最最最易
如果有準備過就可以
不過唉呀, 你備錯課題...
不用green,
我估得太深
值得一試
(老老實實, ODE最快可以35秒KO一題, 開心到死)

MATH1853都可, 不過我認為不要去, 因為stat要明concept, 跟老師學總好一點

看來, 4年制的數學, 我會叫mathematics 0
因為我們沒有這些(當已識, AL已學)

multi-variable會是mathematics I (應該是ENGG 字頭)
complex variable calculus應該會是mathematics II

C++ , 完全不要去考, 強烈反對 , 中學生程度理論上不可能識pointer 和OOP (除非是狂狂狂打code)
如果識, 應該天生CS料,應該要入CS
[/quote]

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-9-14 09:33 AM

引用:

原始短消息: phd 大大我問野..
[quote]究竟應唔應該快過prof 既進度？
可能佢教緊第一課，如果自己身覺得應付到系咪應該睇落去？.
定系話跟prof 個flow？
讀書淨系睇syllabus 上指明個d 定系話睇埋related part??
C++ 都系用返 how to program 個set 書或者有沒有其他更好的參考書？
系咪得 3大 first hon 先至可以直上 phd 定系話有prof 收就得？
唔該曬！！

C++ 有N本好書
所謂好書 , 都是所謂人地叫好
所以我曾說過, 有時"自己找"
因為作者的寫作風格和讀者的閱讀風格會有出入

有人喜歡 "理論性" 重一點
理論性的書少illustration, 多prove, 多一些theory和theory之間的連接講解

有人喜歡 "應用性" 重一點
  應用性的書有很多 worked example
  簡單講, 即是一本 Q&A書, 相對的, 少theory

DEITEL 的 how to program 系列算是應用性的書
因為我們不是CS人, 不用去看CS用的C++, 理論性的書
當然, 你絕對可以去看CS用的C++
不過"Your time is limited, so don't waste it living someone else's life"

-------------------------------------
應唔應該快過prof 既進度？
9999%

絕對要!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

這個是有一個很長,很大的原因, 時間關係, 不講

至少要快 "一點點" , 不明白是"沒有問題"
因為, 要的是 "知道有這個東西" 就可以
"知道有這個東西存在" 就可以

有時真的,不去听課完全不知道書在講什麼
所以听課重要 (別走堂, 除非prof真的太廢)

所以如果
天時 (時間好, 天氣好, 自己精神好, 有時間)
地利 (位置好, 沒人吵, 沒鑽地工程聲等等 )
人和 ( 沒人煩你)
天地人都好的時候
讀書, 何樂而不為呢 !

看不看related part , 這個很難講
例如我說 : 難道考試不會考加法 ?  那麼難道你不用去溫習加法 ?
當然你的確不用去溫習加法, 因為你已 99.9999% 熟
我是用"加法"來說明
有時是需要看related part

問題是, 到底related part有幾relate
這個很難講

我這裡試過
prof講了一大堆electronics的東西
結果只考electrical circuits
electronics只考了一題

即是說
"把自己的workdone投入會考的東西" 回報最大
"把自己的workdone投入不太會考的東西" 回報少
"把自己的workdone投入絕對不會考的東西" 沒有回報

不過,如果是postgrad
  "把自己的workdone投入會考的東西" 回報最大大大大
  "把自己的workdone投入不太會考的東西" 回報大大大
  "把自己的workdone投入絕對不會考的東西" 回報不會太大

我想說的是
中學生會感覺小學考第一簡直就沒什麼了不起
因為難度才重要

同樣,  GPA看的是 :  愈難愈看重
level 1 course佔分很少,  level3才多

即是說就算 year 1幾風光, GPA爆4 ,  year 3炒的話就一定死
相反, 絕對有人year 1 普通, year3才出頭
  這很正常

學術,  絕對是長跑
只要一直努力, 分數絕對成正比
不能不會那麼早就看得出, 可能要一點時間
因為有人是"慢熱型"

就好像 :  square root x , x , x-square
在 0至1時, square root x 最大
不過在 1之後, x-square 增長得最快
難道可以用 0至1的值去講 square-root 增長得最快?

再者 x-999999次方, 在 x>1之後增長得更更更快
不過同時也在 0至1時時增長得更更慢
難道x-999999次方 "不厲害" ?

所以, first hon 怎樣拿?
最簡單, 3年都努力

year 1努力, 不過拿不到高分? 沒問題
>>> "因為那些分是要加在year3的科身上" <<<

year 3 course一個 A, 已經可以等於year one course 幾個A

你應該明白我的意思
-----------------
最後, postgrad的東西
你太早問
1. 不知道你GPA (雖然我反對應試主義, 不過GPA也別太差...)
2. 不知道你research interest (這個可能會變)
3. 你background knowledge太不夠 ( micro ,device, system, digital, control, info, communication, material, em, photon 你應該都不知道)

當 1,2,3都有時
你再問我[/quote]

作者: Automaton 時間: 2014-8-12 09:42 PM

我和其他人的對話9

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-10-24 12:11 AM

引用:

有關power

等我說一些外人不知的事給你知

現時呢, 中電也好港燈也好, 香港電廠也好, 德國電廠也好
總之, 全世界, 現時的電力系統是 "中央制"

用電錶去測量用電量
之後, 會有些人(識統計學的人), 去
"估用多少電"

若果估少了, 停電, 結果恐怖到不用想像
若果估多了, 儲電, 不過儲藏容量有極限, 萬一估錯太多, 就生產了廢電
電廠就白白浪費錢
首先, 估電那個人, 估錯當然就大獲
不過呢

那個人有電廠數字, 他是不可能走人的
因為他知道了這個商業秘密
所以, 電廠會保留他, 當然, 錯得太離譜一定炒
也當然, 電廠會有手段去防止有人刻意入廠之後再估錯數走人, 用這個方法去偷資料

簡單講, 電廠會 "高薪保人"
我有個師兄, 電廠給他20萬一個月
那麼高人工, 當然, 因為他PhD, 而且專PowerE
他一PhD那天就給澳洲挖走了
有錢到全家移民去澳洲

現時呢, power E人是最高人工的行業之一
之後會更高
為什麼?

因為, 現在這個 "估電, 再由中央發電"的方式
就快要變

我有個Prof, 搞太陽能發電板, 告訴我
因為太陽能發電板開始可以"平"

工程, 物理, 數學是一個漸變

數最完美
數學家生活在完美的世界
什麼都不用reject
只是擴大個area就可以

物理呢
要根據"物理現實"
不可以反抗, 有時要reject一些solution
例如計到個length是negative, 當然要reject

工程更麻煩
要乎合"物理現實"
還要可以乎合 "現實"
"現實"是什麼呢?
就是錢
大把方法可以有飛行器, 可以令人飛
不過, 太貴

電腦15年前, CPU 100MHz 可能要一萬元
現在呢 ?
"commercialized"
Engineering和Physics的最大分別就是, 要講 "optimization"
用先進的方法, 令到部機
價錢愈來愈平體積愈來愈小等等就愈好

我想說什麼?
我可以告訴你
如果你有看paper的習慣
你會日日都發現新大陸

現在呢, 已經有 :

一張紙那麼薄的電腦
局部氣溫控制
模擬真實
真正的3D立體影像投射
2D圖像3D化 (是真正的3D化)
腦波控制
等等

問題是
they are not commercialized !
Because it is too expensive !!

只要當有人想到一些方法可以令他們更快更平
就可以commercialize , 可以 "普及"
平板電腦就是一個例子
------------
回到正題

為什麼電力系統會大變?
因為太陽能發電板就快可以commercialize

太陽能發電板一 "普及", 就會由 "中央式發電" 轉變做 "分配式發電"

到處都 "分配式發電"的太陽能發電板
結果, 需要大量 powerE的人
(當然, PhD Level, undergrad的 power E根本就低能)

我之前說過, 有電廠數據的人 , 不太容易走人
因為, 那麼多薪金, 而且是穩定的工作
傻瓜才走去做商業間諜
結果一做就做一世

-----------------------
有關選科

基於"愈辯愈明", 我會一直challenge你有關選科的問題

我想說的是
不知道你知不知道, Mechanical Eng 搞什麼?
搞機械? 的確, 機械工程是搞機械
不過呢, 這已是N年之前的事
搞機械已搞到變研究力學的數學

反而愈來愈多人搞流體力學

首先, 流體力學算是modern physics
而且, 流體力學的分支, 微流控 microfludics
一樣超精彩

可以搞到 "泡泡之內有泡泡之內有泡泡之內有泡泡....."
更可以搞到令一些泡泡到 "指定地點" 之前, 怎樣也不會爆 (這個很厲害)
總之就一樣超勁超精彩, 而且這一科發展潛力極極大
http://weitzlab.seas.harvard.edu/gallery.html
(click video去看看)

問題是, 這個完全乎合你所講的point, 那為什麼你不選 MechanEng要入EEE ?

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2012-11-17 07:16 PM

引用:

原始短消息: 據你所知
[quote]據你所知 civil , mechanicl 同electrical會較少涉及probability(queuing theory
)
而bse 就會涉及probability(queuing theory)
2.Information, signal related 就更加涉及??

因為我d 數同m2成績突出(5星-5星星) 但就係probability較弱

大學Engine M1 M2都需要
什麼Engine都需要Probability
一定會有probability讀 / 一定要讀

最多需要的應該是電的Engine : Information, Communication , Control, System Engineering

老實講Probability很有用
極有用, 就算不好也不要怕

再者, 你如果要讀Engine,
不可能逃避Probability
一定會有
----------------------
不是嚇你, 基本上M1所有Prob/Stat都是必需
例如Gaussian, Poisson Distribution
再上去會出現多變數Prob/Stat, 多重分佈等等
之後會有Chi-Square, Linear Regression, Estimation, Expectation等等

當然, 大學會由頭教. 也不用怕沒有M1

-------
Prob/Stat 的用途多多, 例如手機訊號接收是一定要有Stat的計算

當你收到訊號之前
你可以分別出哪個是訊號, 哪個是noise嗎?
不可以!!
因為如果你可以分別出訊號和noise
那麼不就表示你"已經接收"到訊號了嗎?

基於 "接收到訊號之前不能分辨哪個是想要的訊號哪個是noise"
所以要用prob/stat

至於Queuing, 略high level, 我不多講[/quote]

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2013-7-27 12:57 AM

引用:

原始短消息: MECH2407-Multi-variables calculus and PDEs
[quote]HELLO 又係我呀
我之前打算簡兩科數做free elective 佢地係
MECH2407-Multi-variables calculus and PDEs
MECH3407-Advanced PDEs and complex variables
佢地等於3yr cohort既engineering math I & II
但最近自己上網serach過往既時間表我發現如果放太多free elective 起yr2既話我好大機會defer
我自己基本既calculus (stokes, gauss theorem, line integral) 已經熟左上年自修到依家
linear algebra就學到去最基本既matrix theory (ei) = (fki)(ek) 同orthogonal functions
所以打算唔讀MECH2407, 直接拎黎讀control
數學我個人就唔覺得有咩問題架喇... 但係signal同control一齊讀會唔會死架?
努力同數學理解能力方面我自問有信心既但我怕冇signal既知識就去讀control會**
control寫住co-requisite 理論上可以同signal一齊讀但我對EEE既course認識唔大所以黎問下你
求賜教

如果你會"狂"搞以下方向, 就應該讀2407 : Fluid, EM Wave, Transport in blood vessel
不過你認為自己vector cal數好就得, 可以NO Need
2407的PDE其實也只是Fourier Series / Integral 去solve Wave Equation / Heat Equation / Laplace Equation
所以你的"lost"是不大的 (如果你不take 2407的話)

另外control其實有 "4.5" 科 (以下是3year curr的course code, 4year的code 我不知道)
ELEC2205 Control & Instrumentation
ELEC3206 Control System
MECH2018 Dynamics & Control
MECH3004 Automatic control
和最後一半的 ELEC3222 Robotics
我就上晒or sit 晒啦 (我不能take MECH的course,只好sit)
基本上我應該算是我那級take得最多control的人 (因為我只take 3個方向 : EM, Control, Maths)
所以我可以告訴你

1. Control & Instrumentation + Dynamics & Control 數不難
Concept 也應該不難
因為我自己有幾招秘技所以我感覺不難, (應該說是易)

2. Control 其實根signal 沒什麼關係
其實如果要講, control co-req. 可以要求有 Electronic device & circuit
因為control & signal 其實都是 "基礎理論" 的科
即, 例如讀數, 基本有 LA, ODE, Vector Cal,
之後可以研究更深的ODE (例如最簡單的Airy Equation)
只是你想不想去掘那個方向

即是說呢, control的基本course, 因為"太基本", 所以會有混雜其他東西
上到去advanced control呢, 基本上就和signal 沒關係
(上到去變Semi-definite programming, Linear Matrix Inequality等等optimization or Calculus of Variation 野 )

所以沒有signal 是可以讀的

不過科 Control & Instrumentation 是 50% control, 另外50%是很無聊的physics
就是講 Sensor : Temperature sensor, Force sensor, Weight sensor, detector 等等
基本上會用 "actuator" 一個字當晒 sensor / transducer / device
例如會講 thermistor, thermal couple, black body pyro-meter, diode , strain gauge, 等等
我就認為非常無聊 (因為愈讀就愈感覺Physics只不過是不停modeling一些物理現象, very boring)
反而Control Theory就很有趣

MECH 的Dynamics & Control 主要講 Vibration
老賓講Laplace Transform熟就可以derived 到Damped Vibration 3個case
算是elementary control 最難的equation了
另一個難的地方是需要complex variable的Cauchy Index & D-contour & Nyquist Stability
不過Prof Hung好人, 不用考 (如果考,D人連complex integration都唔識, 必炒, 你都知Engg都幾多人數差)

所以頭2個control course, 你當independent course就得
有沒有signal沒分別, 不會有什麼advanced / disadvantage
(就只是digital control那裡會overlap少少)

至於 advanced點的 Control system, automatic control 就完完全全是 control 野
例如double integrator, linearizer , Kalman Filter
你如果 1.有心向control方向走 or 2.因為喜歡maths course 先take
advanced control不是必須

至於科robotics, 一樣都是數
基本上
control = ODE + Linear Algebra + Fourier Analysis + Complex Variable + blablabla
即是說control 基本上就是applied maths
所以科robotics就一樣瘋狂 matrix transformation (4-by-4 generalized homogenous transform )
扭個機械臂扭扭扭扭扭扭5,6個joint之後計KE PE 再Lagrangian mechanics 找個motor supplying force之後control, 而且是double loop double integrator multivariate control
總之就一大堆數

再者, 你可以發現, 搞control 的2,3個大prof
Mech的 Prof. James Lam 和EEE的Prof. Hung 和 Dr. Chesi Graziano
基本上都幾乎是mathematician
因為control算是engineering中最"abstract" 最"摸不著"的東西
和 computational electromagnetics / electronics 那種純粹因為electron 太細 or EM field 摸不到不同
control幾乎是研究 control system的 "measure space"(這個字暫時對你來講略高級, 和Functional Analysis有關)
即是說, control是研究 maths structure, 自自然更加摸不到
所以最數學
(同樣最數學的signal processing都最少可以有data compression, conversion玩下)

所以呢, 根據你給我的引象
control 你可take可不take
無論take不take都對你的方向 (bio-related device ) 不大影響
你可以把這個考慮放的priority放後一點

除非你現在剩下"take還是不take" 這個問題 (即你其他course selection都done了)
那麼我就會講 : take 啦, 知識面廣D是好事[/quote]

[ 本帖最後由 Automaton 於 2014-8-12 09:57 PM 編輯 ]

作者: Automaton 時間: 2014-8-12 10:07 PM

我和其他人的對話10

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2013-11-17 05:29 PM

引用:

原始短消息: pastpaper
[quote]sor 順便想問下點解12年pp入面第2a題會有12分既= =係咪我計錯左野..
x(t)=cos(...)sin(...)
sketch the frequency spectrum of the signal, clearly label the frequencies and complex amplitudes of each component in the diagram.
我將佢用EULER EQUATION計左4舊野出黎搵到COMPLEX AMPLITUDE, 之後起幅圖畫左4條線咁就12分架喇?

係禁ga la
Prof唔識出卷
HKEAA 好就好在是出卷專家, 分數分配較合理
我試過有個course, 一個英文term就值20分[/quote]

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2013-12-27 01:11 PM

引用:

原始短消息: Private tutor
[quote]I am now a year 2 student of polyu studying electrical engineering. I admire your viewpoints on engineering very much.
So far, I am now having difficulty in studying circuit analyse and electronics, can you act as my private tutor for studying these subjects?
If you don't have time, can you introduce some of your capable friends to help me?
Thanks in advance for your assistance.
Look forwaed to receiving your reply.

大學仲補習?????

首先Circuit Analysis (由其linear circuit analysis)
根本就是基本
借本Linear Circuit analysis書, 例如Sadiku本circuit , 做多幾十題就會識
如果end of chapter exercises都唔識做,就做那些practice exercises (即是那些example旁邊的題)

Electronics
沒有方法
如果Smith , Neamen太難
就Razavi Introduction to microelectronics, 一樣做得多就識
例如DC BJT一定是 VBB - VBE - IB RB - IE RE = VEE
solve到IB 就有IC, IE就可以有VCE

例如AC BJT一定 r beta gm 找 Zin Zout 一定 Pi model

如果這些都搞不好
之後的IC, 6個BJT,
high speed circuit, RF 混合上Maxwell's Equation, Signal Transmission Line 點算?

先落手落腳做題就得
做得多就會慢慢明為什麼個device是如此運作的了[/quote]

引用:

electronic engineering 會唔會學mechanics(任何mechanics)?
mechanical engineering 又會唔會學 electronics(任何electronics)既野?
另外, nano呢科, mechanical engineering 會讀, electronic engineering會唔會讀?

另外邊一科engineering 係偏向研究 microscopic and macroscopic world?
問親d人microscopic and macroscopic world都話physics, 但我睇physics都係只係當microscopic and macroscopic world 係其中一個physics topic咁講。但我想好似engineering咁集中住係一個topic, 例如集中係 microscopic and macroscopic world 到, 研究完又真係可以應用到。唔想好似physics咁識下呢d又識下個d, 無錯係識到好多科學知識, 但又用唔到係呢個世界到, 最後過多十幾二十年又比人推翻都唔出奇, 最後又變左係空談。

如果有可唔可以give more examples?
thx 唔介意你講多, 只怕你講少。 em46 em46

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2014-3-30 01:09 AM

引用:

我現在知道你想要什麼了
基本上所謂"Quantum Engineering"其實就是EE最硬的那個area
走Solid-State野就是了
EM就不需要太多, 讀到夠用就得 (EM深入去不再是EM而是數)

總之就以下一大堆area (每個term focus都是不同的)
Microelectronics
Nano-electronics
Opto-electronics
Quantum Optics
Photonics
Spintrionic

Optics當然就不只是LASER啦
有關optics, 你可以Read我之前個post
http://lsforum.net/board/viewthr ... ;page=16#pid6611192
(可能你已read過)

老實
過我也自問我對這個area認識最少
當然我是指"我只知道去undergrad level"
再深入的研究級東西, 例如近排有什麼trend, 有什麼突破, 我就不知道了

我大學本科3年(舊制), 我以前year1year2很迷這個area
不過我現在不是搞這些研究
那是為什麼呢
就正正是我答過你的那個reply的其中一個point

這個area, 不讀到PhD都只是半桶水
我又自問不是對這個area有超興趣
這是advice : 當你選擇research的話, 你就要對足那個area 4-6 年
我當時心想, 我沒有那麼大興趣大到可以對足4-6 年都是electron
所以我轉了field (當然依然是EE啦)

我就話你知這個field有幾刺激/可怕

首先是書單

入門的 2大microelectronics書 :Sedra/Smith and　　Neaman
其實是講 "Analog" Micro-Electronics
不會太合你口味
但你都要讀晒佢
因為是入門, 要知道 "基本vocab"
這2本書都超過一千頁, 係要睇一年的

睇完, pass了 analog course之後
你就有本錢去take "Basic Level Device" 的course
你要的是 "Electronic Device"的書
例如 Ben Streetman 本 Solid State Electronic Devices
Solid-State 會講什麼
就是由Quantum level 講為什麼 diode可以有幾乎無限大resistance (當current direction not the same)
由Fermi-dirac distribution , Fermi-Level等等野去derive 到 diode equation
Diode即PN-Junction, 是electronics最basic的device
雖然最basic, 不過D數一點也不basics, 就是不停瘋狂爆數

之後到 "Basic Optoelectronics" 的course/書
下面一本書, 我"FULLLY"食晒全本, 用了6個月 (是"FULLLY", 100% everything)

如果圖書館有, 去借
幾本上, Pollock本書是會用晒你所有之前take過的course (數, EM, Physics, Solid-State)
你讀晒包你服 opto-electronics
絕對有很多amazing發明, 就例如我上面個舊post條link (我篇文) 當中沒有講details的東西
optoelectroncs, 絕對不只是LASER
LASER只是"Light Source"
Fiber呢?Receiver 呢? Wavelength Division Multiplixer呢?
單單只是solve 最basic的(single-mode optimized) fiber waveguide mode chart equation, 都已經可以寫滿5,6張A4 paper
更不要講 Multi-mode dispersion-shift fiber
waveguide dispersion, mateiral dispersion, 4Wave Mixing, Modal dispersion, Polarization dispersion
全部都是high order nonlinear differential equation
因為fiber optics是 Non-linear, high order
結果就是一大堆數

再落就 organic electronics, conductive polymer, LED,
Solve standard problem :carrier injection , exciton formation, 之後quantum jump
一定會見到quantum efficiency條equation

基本上 quantum冇得走
所有electronc device都是用doping去做出來
doping就是在塊silicon substrate掘個洞之後塞P-type semiconductor or N-type
掘個洞, 不要小看個"洞"
有洞, 即有discontinuity, 即有finite potential well, quantum well problem
所以所有electronic device都是quantum well

講住禁多

作者: Automaton 時間: 2014-8-12 10:16 PM

我和其他人的對話11

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2014-4-18 01:24 AM

引用:

原始短消息: 大師
[quote]你好,睇緊你2年前既文章,我以前AL係讀BIO+CHEM,現想由HD開始讀番大電,想問下可以點追番個底差?我連三相電果D都未識,定追唔到了?因為PURE+PHY底有一定優勢?

不要去讀中學書, 去讀大學用書,
其實大學書從新開始
ALevel有Phy/Pure只是可以skip一些chapter而已

肯努力就可以追回來

大部份基礎大電書(600至1000頁那些)都會有大量題目
努力做就可以
至少要Circuit做到變本能
Circuit是EE人的"招牌"
你唔識solve circuit同Chem major唔識寫chemical equation有咩分別????
Circuit對大電很重要[/quote]

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2014-4-25 09:07 PM

引用:

原始短消息: 大師
[quote]原始短消息: 大師
借左本 Fundamental of Electric Circuits Charles K. Alexander
真係好深

同我做晒佢[/quote]

原始短消息 (回覆)
時間: 2014-6-30 09:09 AM

引用:

原始短消息: engine選科求救
[quote]可

我對renewable energy個d野好有興趣的,想讀多d關於呢d既野,最好第時可以做到相關既行業,可能係做research研究下 or 去d生產D solar panel, wind turbine既公司做。但呢個行業係香港都幾冷門 -.-
我諗緊應該讀大路d既ust hku poly d engine,最少易考牌d,就算唔做再生能都多d選擇..
定係有d係專係能源既課程,好似city energy and environment or hku engineering science既energy engineering, 但呢d好似唔太受認證,同課程內容好似偏向能源學(energy demand ,supply, energy system analysis 個d) ,我係傾向想落手落腳研究有d成果咁....
所以有d糾結咁...
另外如果係入engine既話,會係mech定大電會比較岩我既目標呢? 兩個都有我需要既知識....
同埋係香港做呢d會唔會乞食架

因為hk真係好少關於renewable energy既工
唔該曬

[/quote]

原始短消息 (回覆)
來自: Automaton
發送到: Automaton
時間: 2014-6-30 01:02 PM

引用:

你問了2個問題
1.知識上的問題應該讀什麼)
2.現實上的問題 : 讀的東西的認受性和考牌

我先答你2
做到power system engineer, 想乞食都難
首先要放眼世界
不要只知道"香港"
有人(大把人)讀power system engineering之後給人請去澳洲
之後全家移民去澳洲

回答你1
你有誤會
"太陽能發電板" & "太陽能發電板系統" 是不同的

你的誤會, 打個比喻就是
Car engineering VS Motor Engineering
是不同的

如果是 "系統"
是用system的view point
是不理用風力還是水力
要處理的是一個power system整體
例如power transmission, power storage, power conversion等等部份

而 "太陽能發電板"
就真正是 "太陽能發電板"
就是只研究個板
其他area like transmission是不太理會

是"focus"不同

如果是power system engineering , Electrical 會好一點點
因為更全面
Mechanical只是搞發電的部份,也只有這部份

不過如果是"太陽能發電板"
那卻是electronics的
那是研究如何用些physics去design個PN-junction個electron-photon interaction的efficiency會高
即其實是研究如何extract energy from the sun
基本上是讀applied physics
完全和上面那2個有很大分別的

我怕你不明白, 用個比喻再講一次
Car engineering VS Motor Engineering
一個研究車
一個研究摩打

一個研究車
要研究
控制系統
電力系統
道路通訊系統
人體工學
安全系統

研究磨打
就只是研究個摩打
是不同的

作者: Automaton 時間: 2014-8-12 10:20 PM

如果有問題
可以的話不要再message我
直接問

1來我個message box日日爆
2來大家都可以見到, share you can

作者: STEVEGARY 時間: 2014-8-12 10:23 PM

引用:

原帖由 Automaton 於 2014-8-12 10:20 PM 發表
如果有問題
可以的話不要再message我
直接問

1來我個message box日日爆
2來大家都可以見到, share you can

不如係簽名度打?

作者: Automaton 時間: 2014-8-12 11:30 PM

引用:

原帖由 STEVEGARY 於 2014-8-12 10:23 PM 發表
不如係簽名度打?

good suggestion

作者: 41200 時間: 2014-8-13 03:30 PM

automaton 兄

你覺唔覺如果想讀engine pg既話,EE major 比較其他major 有用?

真係絕大部份engine pg 其實都會掂到EE 野...
Mech,materials,biomedical..etc
根本上有硬件野,就有EE 野咁濟

我指既"有用"係指EE major 學到既野,多數會用得返幾多下/深入...
反而其他Engine 既野, 多數用比較基本既知識.

作者: Automaton 時間: 2014-8-13 05:10 PM

引用:

原帖由 41200 於 2014-8-13 03:30 PM 發表
automaton 兄
你覺唔覺如果想讀engine pg既話,EE major 比較其他major 有用?
真係絕大部份engine pg 其實都會掂到EE 野...
Mech,materials,biomedical..etc
根本上有硬件野,就有EE 野咁濟 ...

其實EE可以講是 "King of Applied Science" (雖然沒人會這樣講啦)
EE update較快, area較廣, 較多新事物
Traditional Mech, Traditional Civil 沒有那麼多"super hot"的東西
不是沒有, 是沒有那麼"多和多元化"
因為Traditional Mech/Civil "太成熟"
當然不代表不需要, 一樣要train一些人去做Mech/Civil engineer

不過事實是只有EE/CS 可以長做長有
但EE比CS更廣泛

EE多和多元化的好處是大把research
壞處是不能一勞永逸

另一個壞處就是UG課程會super-diverse

所以, 正如我在之前一個post(post number忘記了)講過
除了Law & Medicine, 讀EE做咩都得, 根本就是最佳的人力資源
讀EE/EIE/ECE其實是super正的!!!!!!

讀完EE, 轉行做咩到得
相比之下, 其他學科就比不上了

[ 本帖最後由 Automaton 於 2014-8-13 05:18 PM 編輯 ]

作者: Automaton 時間: 2014-8-13 05:41 PM

香港同外國絕對的無得比

外國人早就知道Engineering的重要性
Engineering在外國是神科, 是最受歡迎行業
有留意開US,歐洲的Labor statistics就會知
根本幾乎所有Engineer(是Engineer不是technician!)行業在US個年薪都100k USD
讀Law都大部份得60-70k USD
大部份BBA連60k USD都沒
computer programmer都有80k USD

醒幾句, 如果有心移民就要留意其他國家Labor statistics
由那些Statistics當中, 可以看見香港是一個多麼可憐的地區

Engineer在歐美吃香都算
讀Chem, Physics在歐美都可以有接近90k USD
香港?? 教書都冇90k USD啦, 除非科主任級
但是問聲有幾個科主任可以做呀

另外香港地價也因為炒樓這個絕對的經濟毒藥搞到高到飛起
如果地產商全部倒閉(我相信很多人都很想)分分鐘香港經濟上升500%
因為炒樓會鎖死D錢, D人儲錢為買樓, 自自然金錢流動率下跌, 如果流動率下降就錢再不是錢, 變廢紙
有錢都沒用, 因為大量金錢不能用變相即是沒錢
儲錢交給地產商根本有問題, 打死都不要養這些廢人

在香港的一些行業的薪水都不正確下
樓仲要貴到飛起
搵錢辛苦係人都識講, 但就依然沒人會去改, 因為沒力量去改, 最有力量的人也不想改

所以如果讀EE, 去外國打工1年分分鐘仲多過在香港返3年!愈讀EE就愈應該要識Optimization
所以更應該明白我所講的

最少都要去下外國一年

[ 本帖最後由 Automaton 於 2014-8-13 05:43 PM 編輯 ]

作者: STEVEGARY 時間: 2014-8-13 07:31 PM

香港 pure science & engg (exclude 細電) 都風光過 ge...XD

math 就慘D in some sense haha

作者: 41200 時間: 2014-8-14 01:08 AM

引用:

原帖由 STEVEGARY 於 2014-8-13 07:31 PM 發表
香港 pure science & engg (exclude 細電) 都風光過 ge...XD

math 就慘D in some sense haha

pure science 有風光過咩?你指academic 方面?

academic 方面,
我覺得Science 幾乎每科都獨當一面...
除左Biology 入面既野多數都同Chem 有關/CS (bioinformatics)之外
Physics,Math ,Chem每科都似乎仲有好多既research 空間

phy 剩係"統一長量"(theory of everything) 都唔知幾時先solve 到..

另外,外國普遍係咪最top 個堆學生去讀science?
第二top 個班走去讀engineering?

[ 本帖最後由 41200 於 2014-8-14 01:11 AM 編輯 ]

歡迎光臨小卒資訊論壇 (http://www.lsforum.net/board/)