Estoy de acuerdo con la respuesta de Bill Karwin, pero las matemáticas discretas son un campo bastante amplio con diferentes subtemas. Si tuviera que limitarlo, diría que hay algunos temas que generalmente son más útiles para los ingenieros de software que otros. La lógica matemática, el álgebra abstracta, la teoría de conjuntos, la teoría de grafos y la teoría de la información probablemente surjan más en el desarrollo general de software.
La lógica matemática incluye álgebra booleana y pruebas, que ayudan a razonar sobre el software, especialmente en torno al flujo de control. Aunque no se usa comúnmente, también es la base de la verificación formal.
El álgebra abstracta (junto con la lógica matemática), la teoría de conjuntos y la teoría de gráficos se unen si quieres razonar sobre bases de datos. Estas son las bases de todas las bases de datos relacionales y algunas bases de datos no relacionales. Si combina esto con otros temas de las matemáticas, puede obtener una comprensión más profunda de la ciencia de datos.
- ¿Cómo sería verifone como ingeniero de software?
- ¿Cuántas veces has sido rechazado antes de unirte a Google como ingeniero de software?
- ¿Cuál es la posición más alta que puede obtener un ingeniero de software actual en Google sin un título?
- ¿Qué habilidades se esperan de los ingenieros de software de nivel básico en Google, Facebook, Microsoft, Amazon, Twitter, etc.?
- Cómo prepararse para una carrera como ingeniero de software en Google con experiencia en ECE
La teoría de la información trata, entre otras cosas, la compresión y el cifrado. Si desea comprender varios algoritmos de compresión y cómo funcionan o si está interesado en la seguridad.
Otras áreas de las matemáticas dependen más del trabajo específico que está haciendo. Entender el cálculo ayudó bastante cuando estaba trabajando en el procesamiento de imágenes, y sospecharía que también ayudaría en otras formas de procesamiento de señales o computación científica. La estadística también es generalmente útil, pero aparece regularmente en el aprendizaje automático y la ciencia de datos.