A. 微分方程與神經網路哪個預測精度高
應該是神經網路吧，微分方程貌似不是用來預測的。。當然用來建模做預測也可以
B. 應用數學圖論跟微分方程哪個好
微分方程更基礎一些,圖論和運籌學聯系比較緊密.看你以後做什麼了,另外看微分方程你們學什麼,如果偏重於分析而不是微分方程的解法可以學圖論.
C. 偏微分方程 的研究方向 和常微分 哪個好
說實話，哪個都不好，如果你非要學這兩個方向之一的話，沒有什麼好不好的，偏微分方程比較難，常微分方程稍微簡單一點，本人就是學常微分方程的
D. 研究生人工智慧和先進控制選哪個
選擇人工智慧或者神經網路為研究方向，本科可以選擇神經科學，也可以選修心理學、哲學、計算機科學。2、從演算法層面對人工智慧的優化，本科自然要學計算機科學了，但博弈論之類重視邏輯的小類別學科也有選修或者自學的必要。3、工業應用的方面。主要應該學習自動化和機械控制。
一、人工智慧專業就業前景：
前景很好，中國正在產業升級，工業機器和人工智慧方面都會是強烈的熱點，而且正好是在3~5年以後的時間。難度，肯定高，要求你有創新的思維能力，高數中的微積分、數列等等必須得非常好，軟體編程(基礎的應用最廣泛的語言:C/C++)必須得很好，微電子(數字電路、低頻高頻模擬電路、最主要的是嵌入式的編程能力)得學得很好，還要有一定的機械設計能力(空間思維能力很重要)。這樣的話，你就是人才，你就是中國未來5年以後急需的人工智慧領域的人才。一門深入地鑽研下去，你就是這個領域的專家甚至大師。
二、人工智慧專業就業方向 ：
人工智慧可以說是一門高尖端學科，屬於社會科學和自然科學的交叉，涉及了數學、心理學、神經生理學、資訊理論、計算機科學、哲學和認知科學、不定性論以及控制論。研究范疇包括自然語言處理、機器學習、神經網路、模式識別、智能搜索等。應用領域包括機器翻譯、語言和圖像理解、自動程序設計、專家系統等。1、如果是暫時沒有太大傾向，既有可能做科學研究，也有可能做工程開發，可以選計算機方向，例如「計算機科學」（Computer Science），軟體工程（Software Engineering），目前情況來看，最對口從事AI方向的的確是CS，AI具體的裡面的子領域如Machine Learning，Computer Vision， Natural Language Processing，Data Mining等，在CS的高年級和研究生階段都有對應的課程和研究方向。AI工作既需要非常扎實和廣泛的數學基礎同時也要求很高的實做能力，而CS正好在這兩方面都有著重培養。
2、如果是潛心做學術，搞理論研究，那麼專業推薦選擇「應用數學」。目前的機器學習機器學習本質上是微分方程、概率論、矩陣分析等等數學領域的一個應用場景。而近年來發展蓬勃的深度學習，正是機器學習的一個非常接近人工智慧的分支。不排除現在的自動化、通信、機械 等專業在一定程度上都會往智能靠攏，無論是什麼專業都可以在課外學習相關的知識，尤其是在這個優質學習資源隨手可得，終身學習的時代，但在整體課程的安排上，這個專業還是會不同於其他的專業，而且這有個優點是在讀研復試的時候會有些加分，缺點在於：如果不讀研，那麼就業平均情況是弱於其他專業的，畢竟這個專業在社會認可度較低，而且本科知識較淺，基本上對於職業化幫助不大。
E. 小波神經網路的優勢是什麼謝謝
小波神經網路相比於前向的神經網路,它有明顯的優點:首先小波神經網路的基元和整個結構是依據小波分析理論確定的,可以避免BP神經網路等結構設計上的盲目性;其次小波神經網路有更強的學習能力,精度更高。總的而言，對同樣的學習任務,小波神經網路結構更簡單,收斂速度更快，精度更高。
F. 復變函數與積分變換和微分方程選哪個好我是計算機科學與技術的。
微分方程比較好，因為如果將來考研的時候還要考微分方程，而另兩個則不考
G. 問應用數學研究生
都碩士了，
根據你現在對所謂就業的心裡要求我覺得你暫時不要考慮考博，
建議你去實踐，
比方說到
中建，鐵建，路橋，等建研究/設施工單位，或航空航天事業單位。
當讓還有更抽象更賺錢的領域：社會經濟學領域。
無論是金融還是貿易還是企業管理，電子製造等等，
錢途無量！
總之有數學存在的地方放就有發展。
不過不要走進數學的死胡同，走牛頓先生的老路
高知識人才之所以是人才是因為其將所學都用於社會發展
而不是塵封在自己肚子裡面
我們期待所有具備高數學知識的人發揮他無盡的力量！
向所有數學人才致敬！
H. 神經網路常微分方程
神經網路常微分析什麼什麼什麼，我還不懂怎麼叫微分析豐城呢，因為我小學都沒畢業，所以說豐城的話我還是不太懂
I. 最小二乘法、回歸分析法、灰色預測法、決策論、神經網路等5個演算法的使用范圍及優缺點是什麼
最小二乘法：通過最小化誤差的平方和尋找數據的最佳函數匹配。利用最小二乘法可以簡便地求得未知的數據，並使得這些求得的數據與實際數據之間誤差的平方和為最小。最小二乘法還可用於曲線擬合。其他一些優化問題也可通過最小化能量或最大化熵用最小二乘法來表達。優點：實現簡單，計算簡單。缺點：不能擬合非線性數據.
回歸分析法：指的是確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法。在大數據分析中，回歸分析是一種預測性的建模技術，它研究的是因變數（目標）和自變數（預測器）之間的關系。這種技術通常用於預測分析，時間序列模型以及發現變數之間的因果關系。優點：在分析多因素模型時，更加簡單和方便，不僅可以預測並求出函數，還可以自己對結果進行殘差的檢驗，檢驗模型的精度。缺點：回歸方程式只是一種推測，這影響了因子的多樣性和某些因子的不可測性，使得回歸分析在某些情況下受到限制。
灰色預測法：
色預測法是一種對含有不確定因素的系統進行預測的方法 。它通過鑒別系統因素之間發展趨勢的相異程度，即進行關聯分析，並對原始數據進行生成處理來尋找系統變動的規律，生成有較強規律性的數據序列，然後建立相應的微分方程模型，從而預測事物未來發展趨勢的狀況。它用等時間距離觀測到的反應預測對象特徵的一系列數量值構造灰色預測模型，預測未來某一時刻的特徵量，或者達到某一特徵量的時間。優點：對於不確定因素的復雜系統預測效果較好，且所需樣本數據較小。缺點：基於指數率的預測沒有考慮系統的隨機性，中長期預測精度較差。
決策樹：在已知各種情況發生概率的基礎上，通過構成決策樹來求取凈現值的期望值大於等於零的概率，評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。由於這種決策分支畫成圖形很像一棵樹的枝幹，故稱決策樹。在機器學習中，決策樹是一個預測模型，他代表的是對象屬性與對象值之間的一種映射關系。優點：能夠處理不相關的特徵；在相對短的時間內能夠對大型數據源做出可行且效果良好的分析；計算簡單，易於理解，可解釋性強；比較適合處理有缺失屬性的樣本。缺點：忽略了數據之間的相關性；容易發生過擬合（隨機森林可以很大程度上減少過擬合）；在決策樹當中,對於各類別樣本數量不一致的數據，信息增益的結果偏向於那些具有更多數值的特徵。
神經網路：優點：分類的准確度高；並行分布處理能力強,分布存儲及學習能力強，對雜訊神經有較強的魯棒性和容錯能力，能充分逼近復雜的非線性關系；具備聯想記憶的功能。缺點：神經網路需要大量的參數，如網路拓撲結構、權值和閾值的初始值；不能觀察之間的學習過程，輸出結果難以解釋，會影響到結果的可信度和可接受程度；學習時間過長,甚至可能達不到學習的目的。
J. 神經網路的數學模型為什麼是個微分方程
你能不能再問問題的時候負點責任？你問題說成這樣我想幫都不知道你在說什麼，請檢查一下自己的題目，謝謝~