不学高等数学也可以学习计算机，但会面临一些困难，具体取决于你想要达到的计算机学习深度和目标。
一、可以学习计算机的情况
基础计算机操作和应用
如果你只是想学习计算机的基础操作，比如使用办公软件（如Word、Excel、PowerPoint等）、进行简单的计算机文件管理、上网浏览等，那么完全不需要高等数学知识。这些内容主要涉及计算机的基本操作技能，与数学关系不大。
例如，学习如何在Excel中制作表格、输入数据、进行简单的数据排序和筛选，这些操作只需要了解基本的数学概念（如加减乘除）就足够了。
部分计算机编程入门
对于一些简单的编程语言入门，如学习Python语言进行基本的代码编写，你也可以不依赖高等数学。在编程入门阶段，主要是学习语法、数据类型、控制结构（如循环、条件判断）等基本概念。
比如，用Python编写一个简单的程序，实现输入两个数字并输出它们的和。这个过程只需要理解基本的算术运算和编程语法，高等数学知识不是必需的。
计算机硬件组装和维护
学习计算机硬件组装和维护主要是了解计算机各个硬件部件（如CPU、内存、硬盘、主板等）的规格、性能参数以及如何正确安装和维护它们。这个过程主要涉及物理知识和一些电子学的基础知识，高等数学在这里用处不大。
例如，学习如何根据主板的规格选择合适的内存条，主要需要关注内存的频率、容量等参数是否与主板兼容，这和高等数学无关。
二、高等数学对深入学习计算机的重要性
算法和数据结构
当你想要深入学习计算机算法和数据结构时，高等数学知识会很有帮助。例如，在分析算法的时间复杂度和空间复杂度时，会用到一些数学概念，如对数、幂函数等。
比如，对于二分查找算法，其时间复杂度是O(log₂n)，理解这个复杂度表达式就需要一定的数学基础。而且在学习一些高级的数据结构，如平衡树、哈希表等，数学中的概率论知识可以帮助你理解它们的性能特点。
计算机图形学
计算机图形学是计算机科学的一个重要分支，它涉及到大量的数学知识。在图形的绘制、变换（如平移、旋转、缩放）、光照模型等计算过程中，线性代数（矩阵运算、向量运算）和微积分是必不可少的。
例如，要实现一个三维物体的旋转，就需要用到矩阵乘法来计算物体上每个点的新坐标。没有高等数学基础，理解和实现这些图形变换会非常困难。
人工智能和机器学习
这些领域更是数学知识的密集应用区域。在机器学习中，无论是监督学习、无监督学习还是强化学习，都需要用到概率论、统计学、线性代数和微积分等数学知识。
比如，在训练一个神经网络模型时，需要通过梯度下降算法来优化模型的参数。这个过程涉及到对损失函数的求导（微积分知识），以及矩阵运算（线性代数知识）来更新权重。如果缺乏高等数学知识，很难深入理解和应用这些算法。