有深度的书单怎么写
如何培养孩子深度阅读？
如何培养孩子深度阅读？
其实读书就分为略读和精读，可能有的快餐式地读，我们看过一遍就不想读了。但是一些经典的书一定是需要反复读的。那么怎么办呢？我们很多孩子又很爱新鲜，读了新书就不想再读旧书了。第一个就是我们家里书籍的投放，不要是孩子一看完新书，我们就再去买新书。新书的投放不要过于频繁。定期带着孩子去重温过去的书，因为孩子在不停长大，他的认知能力也在不断变化。
当他倒过去看过去的书的时候，他其实是有不一样的收获的。我记得我在小时候，每年到了寒暑假，我就把家里所有的书找来再读一遍。以至于到后面，有的书我倒背如流，有的书我到现在记忆犹新。所以一定要经常带着孩子重温作品。另外，我们要让我们的孩子多看书，看第二遍，我们可以玩一些游戏。比如说第一遍读完了，孩子不想读，那第二遍，我们试一下换一种声音读好不好。第二遍我们用老爷爷的声音，用小鸭子的声音，或者用很小很小的声音来读。孩子可能又被你吸引了，再读一遍。
还有，我们可以带着一些问题去读，读完这个故事，你要告诉我，故事里面有哪些动物？他们的出场顺序是什么？孩子领了这个任务，他可能会再去读一遍，而且他会带着思考去读。此外，我们还可以跟孩子有些深度的探讨，也就是当孩子不会写读后感的时候，我们可以说读后感啊，我们读完了跟孩子聊一聊，你这个书里面你喜欢谁？为什么？如果换成是你，你又会怎么做？促进他深入地思考。那么会写的，可以让孩子写读后感。另外，如果是买来的书，可以带着孩子把精彩的段落画下来，做一个重点的标注。还可以带着孩子背诵书里精彩的段落。这些都会加深孩子的深度阅读。只有深度阅读，才会促进孩子思考和判断的能力。所以我们要带着孩子把书读厚，活学活用。
学习“深度学习”的课程，需要有哪些技术基础？
机器学习以数学理论为基础，要学好机器学习必须做好艰苦奋斗的准备，坚持对数学知识的追求。掌握机器学习至少需要微积分，线性代数，概率论，统计学，高等数学 等五种数学的基本知识：
1.微积分
微积分建立在代数学、三角学和解析几何学的基础上，包括微分学、积分学两大分支，包括连续、极限、多元函数的微积分、高斯定理等内容。微积分在天文学、力学、化学、生物学、工程学、经济学、计算机科学等领域有着越来越广泛的应用，比如：在医疗领域，微积分能计算血管最优支角，将血流最大化；在经济学中，微积分可以通过计算边际成本和边际利润来确定最大收益；微积分可用于寻找方程的近似值；通过微积分解微分方程，计算相关的应用，比如，宇宙飞船利用欧拉方法来求得零重力环境下的近似曲线等。
在机器学习和数据分析领域，微积分是很多算法的理论基础，如：多层感知器神经网络算法。多层感知器是前馈人工神经网络模型的一种，算法分为两个阶段：正向传播信号、反向传播误差。
正向传播信号阶段是数据训练阶段，数据从输入层传入，经各个隐层计算后传至输出层，计算每个单元的实际值，向各层各单元分摊产生的误差；反向传播误差阶段通过网络输出与目标输出的误差对网络进行修改审查，将正向输出的误差再传播回各层进行权重值调整，直到误差最小化或达到规定的计算次数。
2.线性代数
线性代数是高等数学中的一门成熟的基础学科，以矩阵和线性空间为主要研究对象。线性代数在数学、物理学、社会科学、工程学等诸多领域着有广泛的应用。在整个数学领域的框架内，可以把线性代数看成抽象代数应用在矩阵空间中的一个特例。它不但包含行列式、矩阵、线性方程组等初等部分，而且包括线性空间、欧式空间、酉空间、线性变换和线性函数、λ-矩阵、矩阵特征值等更深入的理论。线性代数理论是计算技术的基础，在机器学习、数据分析、数学建模领域有着重要的地位，这些领域往往需要应用线性方程组、矩阵、行列式等理论，并通过计算机完成计算。
3.概率论
概率论是研究随机性或不确定性现象的数学，用来模拟实验在同一环境下会产生不同结果的情况。
4.统计学
统计学是收集、分析、表述和解释数据的科学，作为数据分析的一种有效工具，统计方法已广泛应用于社会科学和自然科学的各个领域。统计学与概率论联系紧密，前者以后者为理论基础。统计学主要分为描述统计学和推断统计学。描述统计学描绘或总结观察量的集中和离散情形，基础的数学描述包括了平均数和标准差等；推断统计学将资料中的数据模型化，计算它的机率并且做出对于母群体的推论，主要包括假设检定、对于数字特征量的估计、对于未来观察的预测、相关性预测、回归、变异数分析、时间序列、数据挖掘等。
无论是描述统计学还是推断统计学都是数据分析技术的基础。通过描述统计学方法，数据分析专家能对数据资料进行图像化处理，将资料摘要变为图表，分析数据分布特征。此外，还可以分析数据资料，以了解各变量内的观察值集中与分散的情况等。通过推断统计学方法，对数据未知特征做出以概率形式表述的推断，在随机抽样的基础上推论有关总体数量特征。
5.离散数学
离散数学是数学的几个分支的总称，研究基于离散空间而不是连续的数学结构，其研究内容非常广泛，主要包括数理逻辑、集合论、信息论、数论、组合数学、图论、抽象代数、理论计算机科学、拓扑学、运筹学、博弈论、决策论等。
离散数学广泛应用于机器学习、数据分析等领域，比如：数理逻辑和集合论是专家系统的基础，专家系统是一类具有专门知识和经验的计算机智能程序系统，一般采用人工智能中的知识表示和知识推理技术，模拟通常由领域专家才能解决的复杂问题；信息论、数论、抽象代数用于信息安全领域；与信息论密切相关的编码理论可用来设计高效可靠的数据传输和数据储存方法；数论在密码学和密码分析中有广泛应用，现代密码学的DES、RSA等算法技术（包括因子分解、离散对数、素数测试等）依赖于数论、抽象代数理论基础；运筹学、博弈论、决策论为解决很多经济、金融和其他数据分析领域的问题提供了实用方法，这些问题包括资源合理分配、风险防控、决策评估、商品供求分析等。
以上是机器学习需要的核心数学知识，但不是全部知识。对于非数学专业毕业的同学，还要学习其他数学分支理论，比如说泛函分析、复变函数、偏微分方程、抽象代数、约束优化、模糊数学、数值计算等。