物理好，搞程式設計，暫時能想到的有力學模型研究。比如遊戲引擎中的力學模型，諸如速度，加速度，碰撞，彈跳，等等。但是說實話，沒有一定功底，很難介入，因為遊戲引擎一般都用現成的，很少會去從輪子造起開發新的引擎。關於遊戲的開發，一般就使用現成的遊戲引擎，可能你學習的矩陣和向量，3維空間計算，三角學，解析幾何，座標變換能派上用場。

不過個人不建議因為物理(力學)好而去從事遊戲方面或有限元方面的開發，除非程式設計功底特別好。

而數學學得好，在程式設計中就大有可為了！

機器學習就是一個方向，也就是基本等同於現在很火的資料探勘。什麼迴歸，分類，聚類，推薦系統等。它們對數學的要求不是一般的高。特別是大量用到了線性代數，機率論與數理統計，數學分析(微積分)。搞機器學習的演算法研究，對程式設計功底要求的不是很高，重點是要求數學和演算法。不過建議不要走錯方向了，不要把大量精力用於什麼hadoop生態系統，那是一個巨大的坑，對程式設計要求高。建議走傳統的基於Python或R語言的純粹的資料探勘。需要閱讀大量的書籍和論文，關鍵詞可以是資料探勘，機器學習，統計學習等。大資料也可以是一個關鍵詞，但如前所說，不要過多涉及hadoop。

影象處理，也是數學好的另一個方向。典型的程式是opencv，用matlab研究以可以。這個在未來發展很好。目前用的比較成熟的就是車牌號識別，人臉識別等，醫學影象識別。

還有一個，深度學習，對數學要求也高。深度學習可以認為是上面提到的機器學習的升級版。也可以說是神經網路的升級版。阿爾法狗就是深度學習的典型應用。深度學習用的最多的有影象識別，語音識別，自然語言識別等。與上面說的影象處理不同，影象處理側重於應用數學和演算法去處理影象中的特定問題，比如輪廓提取，影象分割。而影象識別側重於識別處影象中的東西到底是個什麼東西。用到的是深度神經網路，是個黑盒子。即連人類目前都很難理解它為什麼工作的如此好。如同人類的大腦一樣。深度學習基本等同於人工智慧。前景看好！

既然數學和物理都好，而且還會打程式碼，這樣的超級程式設計師擱哪哪家公司都不會放過。只要你有真材實料，IT網際網路肯定是你的不二之選，不過在此也有不同的工作崗位區別。

1、超級程式設計師

雖然還是程式設計師的名號，不過更應該稱之為技術工程師。軟體程式設計邏輯是基於數學模型的基礎，軟體程式設計中不僅許多理論是用數學描述的，而且許多技術也是用數學描述的。入門級別的程式設計師只注重程式碼的實現，少了數學演算法邏輯的支撐和最佳化，程式碼容易冗雜及不穩定。數學和物理好，對於程式設計實現是一個非常大的幫助，至少演算法的正確性、程式的語義及其正確性的理論基礎都會有所幫助。

所以超級程式設計師（高階工程師）我相信是一個不錯的選擇，而且這個崗位的薪資也會讓你很滿意。

2、人工智慧工程師

最近，KDnugget 在Google Trends上對比了幾個相關的關注度，對大資料、機器學習、人工智慧、資料科學和深度學習進行排名。人工智慧5年來首次取代了大資料的榜首位置。 一項最新的調查報告也顯示，62% 的大中型企業希望在未來兩年內用上機器學習技術。

縱觀國內外，人工智慧早已成為大牌公司（阿里巴巴、騰訊、百度、谷歌、亞馬遜）的必爭之地，科技巨頭紛紛打出重拳以努力吸引能夠真正引領人工智慧技術潮流的人才，並透過開源技術和測試平臺、或提供智慧介面搶佔先機：Facebook致力於打造世界上最好的AI實驗室，Google掀起併購狂潮，蘋果瞄準數字標牌應用，為中國網際網路扛旗的BAT也紛紛在人工智慧領域佈局落子。

眼見，資料、演算法和計算能力是人工智慧的核心，隨著大批次企業對人工智慧工程師的關注，自然這個行業的薪資也就水漲船高。數學演算法+程式設計技巧，正是人工智慧工程師的必備技能。

3、大資料工程師

雖然人工智慧的關注度已經超過了大資料，但大資料依舊是一個朝陽行業，其所需技能主要也是數學和程式設計，而且大資料與程式設計開發還具有較大的關聯度，這樣的轉崗也是比較具備優勢的。高技術人才，依舊不會是低薪人群。

4、學術深造

如果沒有想法，或者想繼續研究下去，學術深造也會是一個不錯的選擇。