A. 微分方程与神经网络哪个预测精度高
应该是神经网络吧，微分方程貌似不是用来预测的。。当然用来建模做预测也可以
B. 应用数学图论跟微分方程哪个好
微分方程更基础一些,图论和运筹学联系比较紧密.看你以后做什么了,另外看微分方程你们学什么,如果偏重于分析而不是微分方程的解法可以学图论.
C. 偏微分方程 的研究方向 和常微分 哪个好
说实话，哪个都不好，如果你非要学这两个方向之一的话，没有什么好不好的，偏微分方程比较难，常微分方程稍微简单一点，本人就是学常微分方程的
D. 研究生人工智能和先进控制选哪个
选择人工智能或者神经网络为研究方向，本科可以选择神经科学，也可以选修心理学、哲学、计算机科学。2、从算法层面对人工智能的优化，本科自然要学计算机科学了，但博弈论之类重视逻辑的小类别学科也有选修或者自学的必要。3、工业应用的方面。主要应该学习自动化和机械控制。
一、人工智能专业就业前景：
前景很好，中国正在产业升级，工业机器和人工智能方面都会是强烈的热点，而且正好是在3~5年以后的时间。难度，肯定高，要求你有创新的思维能力，高数中的微积分、数列等等必须得非常好，软件编程(基础的应用最广泛的语言:C/C++)必须得很好，微电子(数字电路、低频高频模拟电路、最主要的是嵌入式的编程能力)得学得很好，还要有一定的机械设计能力(空间思维能力很重要)。这样的话，你就是人才，你就是中国未来5年以后急需的人工智能领域的人才。一门深入地钻研下去，你就是这个领域的专家甚至大师。
二、人工智能专业就业方向 ：
人工智能可以说是一门高尖端学科，属于社会科学和自然科学的交叉，涉及了数学、心理学、神经生理学、信息论、计算机科学、哲学和认知科学、不定性论以及控制论。研究范畴包括自然语言处理、机器学习、神经网络、模式识别、智能搜索等。应用领域包括机器翻译、语言和图像理解、自动程序设计、专家系统等。1、如果是暂时没有太大倾向，既有可能做科学研究，也有可能做工程开发，可以选计算机方向，例如“计算机科学”（Computer Science），软件工程（Software Engineering），目前情况来看，最对口从事AI方向的的确是CS，AI具体的里面的子领域如Machine Learning，Computer Vision， Natural Language Processing，Data Mining等，在CS的高年级和研究生阶段都有对应的课程和研究方向。AI工作既需要非常扎实和广泛的数学基础同时也要求很高的实做能力，而CS正好在这两方面都有着重培养。
2、如果是潜心做学术，搞理论研究，那么专业推荐选择“应用数学”。目前的机器学习机器学习本质上是微分方程、概率论、矩阵分析等等数学领域的一个应用场景。而近年来发展蓬勃的深度学习，正是机器学习的一个非常接近人工智能的分支。不排除现在的自动化、通信、机械 等专业在一定程度上都会往智能靠拢，无论是什么专业都可以在课外学习相关的知识，尤其是在这个优质学习资源随手可得，终身学习的时代，但在整体课程的安排上，这个专业还是会不同于其他的专业，而且这有个优点是在读研复试的时候会有些加分，缺点在于：如果不读研，那么就业平均情况是弱于其他专业的，毕竟这个专业在社会认可度较低，而且本科知识较浅，基本上对于职业化帮助不大。
E. 小波神经网络的优势是什么谢谢
小波神经网络相比于前向的神经网络,它有明显的优点:首先小波神经网络的基元和整个结构是依据小波分析理论确定的,可以避免BP神经网络等结构设计上的盲目性;其次小波神经网络有更强的学习能力,精度更高。总的而言，对同样的学习任务,小波神经网络结构更简单,收敛速度更快，精度更高。
F. 复变函数与积分变换和微分方程选哪个好我是计算机科学与技术的。
微分方程比较好，因为如果将来考研的时候还要考微分方程，而另两个则不考
G. 问应用数学研究生
都硕士了，
根据你现在对所谓就业的心里要求我觉得你暂时不要考虑考博，
建议你去实践，
比方说到
中建，铁建，路桥，等建研究/设施工单位，或航空航天事业单位。
当让还有更抽象更赚钱的领域：社会经济学领域。
无论是金融还是贸易还是企业管理，电子制造等等，
钱途无量！
总之有数学存在的地方放就有发展。
不过不要走进数学的死胡同，走牛顿先生的老路
高知识人才之所以是人才是因为其将所学都用于社会发展
而不是尘封在自己肚子里面
我们期待所有具备高数学知识的人发挥他无尽的力量！
向所有数学人才致敬！
H. 神经网络常微分方程
神经网络常微分析什么什么什么，我还不懂怎么叫微分析丰城呢，因为我小学都没毕业，所以说丰城的话我还是不太懂
I. 最小二乘法、回归分析法、灰色预测法、决策论、神经网络等5个算法的使用范围及优缺点是什么
最小二乘法：通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。优点：实现简单，计算简单。缺点：不能拟合非线性数据.
回归分析法：指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。在大数据分析中，回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。优点：在分析多因素模型时，更加简单和方便，不仅可以预测并求出函数，还可以自己对结果进行残差的检验，检验模型的精度。缺点：回归方程式只是一种推测，这影响了因子的多样性和某些因子的不可测性，使得回归分析在某些情况下受到限制。
灰色预测法：
色预测法是一种对含有不确定因素的系统进行预测的方法 。它通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。它用等时间距离观测到的反应预测对象特征的一系列数量值构造灰色预测模型，预测未来某一时刻的特征量，或者达到某一特征量的时间。优点：对于不确定因素的复杂系统预测效果较好，且所需样本数据较小。缺点：基于指数率的预测没有考虑系统的随机性，中长期预测精度较差。
决策树：在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。优点：能够处理不相关的特征；在相对短的时间内能够对大型数据源做出可行且效果良好的分析；计算简单，易于理解，可解释性强；比较适合处理有缺失属性的样本。缺点：忽略了数据之间的相关性；容易发生过拟合（随机森林可以很大程度上减少过拟合）；在决策树当中,对于各类别样本数量不一致的数据，信息增益的结果偏向于那些具有更多数值的特征。
神经网络：优点：分类的准确度高；并行分布处理能力强,分布存储及学习能力强，对噪声神经有较强的鲁棒性和容错能力，能充分逼近复杂的非线性关系；具备联想记忆的功能。缺点：神经网络需要大量的参数，如网络拓扑结构、权值和阈值的初始值；不能观察之间的学习过程，输出结果难以解释，会影响到结果的可信度和可接受程度；学习时间过长,甚至可能达不到学习的目的。
J. 神经网络的数学模型为什么是个微分方程
你能不能再问问题的时候负点责任？你问题说成这样我想帮都不知道你在说什么，请检查一下自己的题目，谢谢~