🎯 今日数学
2026-10-02 · 课程第 198 天
📅 今天不是数学新课日（数学安排在 Day 1, 3, 5, 7）。但你可以复习已学过的内容：
📖 可复习的课程
函数回顾
系统回顾多项式、指数、对数函数的性质与图像，理解对数尺度在复杂系统中的应用。
三角函数与周期性
回顾正弦/余弦函数的图像与变换，理解周期、振幅、相位的物理含义，预览欧拉公式。
数列与递推
回顾等差/等比数列，理解递推关系，通过逻辑斯蒂映射初次体验混沌——从简单规则产生复杂行为。
排列组合
回顾排列组合的基本原理和二项式定理，了解其在随机图论 G(n,p) 中的应用。
不等式与估计
回顾均值不等式和放缩法，理解 Markov/Chebyshev 不等式的直觉，掌握数学估计的基本技能。
坐标几何回顾
回顾解析几何中的圆锥曲线和参数方程，学习极坐标系统，并通过 Koch 雪花初步体验分形几何。
综合练习
综合前两周所学内容进行混合练习，并通过代码实现 Logistic 映射的迭代轨道图（cobweb diagram）加深对混沌的理解。
极限回顾：ε-δ 定义的直觉重建
重新理解极限的严格 ε-δ 定义，建立数列极限的直觉，掌握夹逼定理和极限运算法则。
连续性与介值定理
理解连续函数的严格定义和直觉含义，掌握介值定理及其应用，预览不动点定理在复杂系统中的角色。
导数的几何与物理含义
理解导数作为"瞬时变化率"的几何（切线斜率）和物理（速率）含义，初步接触向量场与动力系统中导数的角色。
求导技巧与高阶导数
熟练掌握链式法则、隐函数微分和对数微分法，理解高阶导数的含义，初步接触 Taylor 多项式作为函数的"最佳局部近似"。
导数应用（一）：极值与优化
掌握利用导数寻找函数极值的系统方法（一阶和二阶判别法），理解优化问题的建模与求解流程，初步接触梯度下降法在高维优化中的角色。
导数应用（二）：中值定理与曲线描绘
理解中值定理的直觉与应用，掌握洛必达法则处理不定式极限，学会用导数信息系统地描绘曲线，初步接触相关变化率问题。
习题课：求导技巧与高阶导数练习
通过大量练习巩固 Day 23 的求导技巧：链式法则、隐函数微分、对数微分法、高阶导数和 Taylor 多项式。
习题课：极值与优化练习
通过系统练习巩固 Day 25 的导数应用核心内容：临界点、一阶/二阶导数判别法、闭区间最值、优化建模、梯度下降基本原理。
习题课：中值定理与曲线描绘练习
通过练习巩固 Day 27 的中值定理应用、洛必达法则、曲线描绘和相关变化率。
积分回顾：Riemann 积分与 Newton-Leibniz 公式
系统回顾 Riemann 积分的定义与几何意义，掌握定积分的基本性质和 Newton-Leibniz 公式，熟练运用换元法和分部积分等基本积分技巧。
习题课：Riemann 积分与积分技巧练习
通过分类练习巩固 Day 29 的积分核心内容：定积分的性质与计算、Newton-Leibniz 公式的应用、换元法和分部积分的灵活运用。
反常积分与幂律分布
掌握两类反常积分（无穷积分和瑕积分）的定义与收敛性判定方法，理解 p-积分的收敛条件，将反常积分与幂律分布联系起来，初步认识 Γ 函数。
习题课：反常积分与收敛性练习
通过系统练习巩固 Day 31 的反常积分核心内容：两类反常积分的收敛性判定、p-积分条件、幂律分布的归一化和矩计算、Γ 函数基本性质。
级数理论（上）：数项级数与收敛判别法
掌握无穷级数的基本概念和常见类型，系统学习各种收敛判别法并理解其适用范围，区分绝对收敛和条件收敛，初步认识 Riemann 重排定理。
习题课：级数收敛判别法练习
通过系统练习巩固 Day 33 的级数理论核心内容：级数收敛性判定、各种判别法的灵活运用、绝对收敛与条件收敛的区分。
幂级数、Taylor 级数与生成函数
理解幂级数的收敛半径概念和计算方法，掌握Taylor级数与Maclaurin级数的构造，认识生成函数作为离散数学的强大工具，连接分析学与组合学。
幂级数、Taylor 级数与生成函数
掌握幂级数的收敛半径与逐项运算规则，理解 Taylor 级数作为函数局部逼近的本质，初步了解生成函数在组合计数中的应用。
习题课：幂级数与 Taylor 级数练习
通过分层练习巩固幂级数收敛半径的求解方法、Taylor 级数的展开与应用技巧，以及生成函数的基本操作。
多元函数微分：偏导数、方向导数、梯度向量
从一元微分推广到多元函数，掌握偏导数的定义与计算，理解梯度向量作为"最快上升方向"的几何含义，学会用方向导数描述任意方向的变化率。
习题课：偏导数与梯度练习
通过分层练习熟练掌握偏导数计算、梯度求解、方向导数应用，以及多元链式法则的使用。
Jacobian 矩阵与多维线性近似
理解 Jacobian 矩阵作为多元向量值函数的导数，掌握其计算方法和几何意义（局部线性变换），学会用 Jacobian 做坐标变换和线性化分析。
习题课：Jacobian 矩阵与线性化练习
通过分层练习巩固 Jacobian 矩阵的计算、行列式的几何意义、坐标变换中的应用，以及动力系统的线性化分析。
Fourier 级数入门：周期函数的三角级数展开
理解 Fourier 级数的基本思想——用三角函数（正弦和余弦）的无穷叠加来表示周期函数，掌握 Fourier 系数的计算方法，初步了解功率谱分析。
习题课：Fourier 级数练习
通过分层练习巩固 Fourier 系数的计算方法、正交性的应用、Parseval 定理的使用，以及对功率谱的直觉理解。
向量空间基础
理解向量空间的公理化定义，掌握线性组合、线性无关、基与维度等核心概念，建立从具体向量到抽象空间的思维跃迁。
向量空间习题课
通过大量练习巩固线性无关判定、基的求取、维度计算和子空间验证的核心技能。
线性映射与矩阵表示
理解线性映射的定义及其与矩阵的本质联系，掌握矩阵乘法的变换复合解释，理解核空间与像空间的含义。
线性映射与矩阵习题课
通过练习掌握求线性变换矩阵、矩阵乘法的变换复合解释、核空间与像空间的计算。
行列式与逆矩阵
理解行列式的几何含义（面积/体积缩放因子），掌握行列式的计算方法和基本性质，理解逆矩阵的存在条件和求法。
行列式与逆矩阵习题课
通过系统练习巩固行列式的多种计算方法、逆矩阵的求解技巧和Cramer法则的应用。
线性方程组与秩
掌握高斯消元法求解线性方程组的完整理论，理解秩-零度定理的含义，建立矩阵四大子空间的关系图景，为下周特征值理论做铺垫。
线性方程组与矩阵运算综合练习
通过6道综合习题巩固高斯消元、秩的计算、四大子空间分析和通解结构，将第7周所学知识融会贯通。
图论中的矩阵——邻接矩阵、度矩阵与 Laplacian
理解从图到矩阵的映射关系，掌握邻接矩阵、度矩阵和 Laplacian 矩阵的定义、计算与谱性质，初步了解谱聚类思想。
图论矩阵练习课
通过具体图计算 A、D、L 矩阵，求 Laplacian 特征值，并完成一个小规模谱聚类示例，将理论转化为计算能力。
PageRank 算法——从 Web 图到主特征向量
理解 Google PageRank 算法的完整数学原理：Web 图→随机矩阵→主特征向量，掌握阻尼因子和幂法的核心思想。
PageRank 与特征值练习课
通过手算小型网络的 PageRank、特征值计算和收敛性分析，深入理解 PageRank 算法和特征值理论。
SVD 与 PCA 入门——矩阵分解的巅峰
理解奇异值分解 A = UΣV^T 的几何含义与计算方法，掌握主成分分析的数学原理和降维步骤。
第 8 周综合复习——图矩阵、PageRank 与 SVD
通过综合性练习和开放性思考题，巩固本周学习的图论矩阵、PageRank 算法和 SVD/PCA 核心知识。
梯度下降——一阶优化方法入门
从具体的二元函数出发，理解梯度向量的几何含义，掌握梯度下降更新公式，用学习率 η 调节收敛速度，并初步认识凸函数与局部/全局最小的区别。
梯度下降习题课——从手算到概念理解
通过 6 道习题从手算梯度下降到概念辨析，掌握梯度下降的计算技能、收敛性分析和局限性的理解。
凸优化与 Lagrange 乘数法——从无约束到等式约束
理解凸集与凸函数的定义和关键性质（局部最小=全局最小），掌握 Lagrange 乘数法的几何直觉与计算方法，并能应用于经济学和工程学中的典型约束优化问题。
约束优化习题课——从极值计算到经济解释
通过 6 道习题掌握 Lagrange 乘数法的计算技巧，理解影子价格的经济学含义，并初步接触 KKT 条件。
KKT 条件与对偶理论——不等式约束的数学基石
理解 Karush-Kuhn-Tucker (KKT) 条件的四个组成部分及其推导过程，掌握互补松弛的直觉，引入对偶理论，并以 SVM 为例展示 KKT 在实际机器学习中的应用。
优化综合习题课——KKT、对偶与全局视角
通过 7 道综合习题从手写 KKT 到凸函数判定，再到 Python 实践，全面巩固 Week 9 的核心知识与技能。
优化理论综合复习——四个层次与统一视角
从全局视角回顾优化理论的四个层次（梯度→凸性→Lagrange→KKT），构建优化的统一框架（搜索方向+步长），连接复杂系统思维，并预告第10周一阶常微分方程与动力系统。