# 数学与计算机科学导论

[[MCS/day1/00 学习指南|day1 学习指南]] · [[MCS/00 MCS学习总览|十一天总览]] · [[MCS/day1/阅读核验与疑问|阅读核验与疑问]]

> 来源：[[MCS/day1导论|day1导论]]。用途：主线。原有推导、追问与解答保留；阅读时请结合本日核验说明。

## 课程范围

MCS


总共有 15 节课程

* 数学由代数与图形组成

* 计算需要描述、推理、优化和预测

* 描述结构：集合、图论

* 推理真假：布尔 数理逻辑

* 处理数据：线性代数

* 训练模型：微积分与优化

* 面对不确定性：概率统计

* 分析效率：算法数学

* CS：计算机如何算

* DS：提取信息与洞察 数据有什么价值

* AI：类人思考

## 一次函数与斜率

* y = ax + b  是一次函数

a: 斜率  y 随 x 变化的速率，倾斜程度

b：截距  回归中：代表排除自变量 x 外，因变量 y 自身 的基础量

**陡峭程度 = 绝对值大小**

|a|越大，直线越陡，y 对 x 的变化越敏感

  
  

## 二次函数与参数

* 二次函数 y = ax^2 + bx + c

c: 起点 基准

变大 上移

变小 下移

a：二次项系数 决定抛物线的长相和脾气

开口方向 a > 0 开口向上

a < 0 开口向下

|a|越大 开口越窄

**在非线性关系中 a 为曲率或加速度**

b:一次项系数 与对称轴有关 x=-b/2 a

  
  

## 曲面与梯度下降

* 3D曲面 z = x^2 + y^2  抛物面

是抛物线在三维空间上的延申

x y 都是自变量 z 为因变量

最低点/顶点 (0,0,0)

  

### 优化算法：梯度下降

梯度：算法会计算当前位置山坡的“陡峭方向”

LR：学习率 步长 ：每一步迈多大




## 数学主线：一条逐步进阶的线
几何 → 逻辑 → 向量 → 矩阵 → 排列组合 → 概率 → 导数 → 梯度 → 泰勒展开 → 牛顿法 → 优化进阶

这条线可以理解为：

几何、逻辑：建立空间直觉与推理基础

向量、矩阵：进入线性代数，描述高维数据与变换

排列组合、概率：处理离散计数与不确定性

导数、梯度：进入微积分，描述变化率与方向

泰勒展开、牛顿法、优化进阶：从局部逼近到迭代求解，再到现代优化算法

另一条并行的线性代数线：

线性方程组 → 行列式 → 逆矩阵 → 特征值 → 概率 → 大数定律

这条线更偏向：

解方程

判断可解性与稳定性

矩阵求逆

特征值分解

概率建模

大数定律保证统计稳定性

## AI 模型建立在哪些数学节点上
你提到的对应关系非常关键：

| AI 模型/技术 | 建立的数学基础 |
| --- | --- |
| Transformer | 矩阵乘法 |
| Adam | 梯度 |
| 推荐系统 | 矩阵分解 |
| PageRank | 特征值 |
| 密码学 | 数论 |
| 傅立叶变换 | 积分 |
可以进一步补充：

| AI 技术 | 数学基础 |
| --- | --- |
| CNN | 卷积、傅立叶变换 |
| RNN | 微分方程、动态系统 |
| GAN | 博弈论、概率分布 |
| 扩散模型 | 随机微分方程、积分、噪声调度 |
| 频域注意力 | 傅立叶变换 |
| 优化器（SGD/Adam） | 梯度、泰勒展开、牛顿法 |
| 大模型训练 | 矩阵乘法、概率、优化 |
| 嵌入/表示学习 | 向量空间、矩阵分解 |
| 概率图模型 | 概率论、图论 |
| 信息论相关 | 熵、KL 散度、积分 |
## 核心思想：分解与逼近
你前面提到傅立叶变换的本质是“分解与逼近”，这条线其实贯穿整个数学与 AI：

泰勒展开：用多项式局部逼近函数

傅立叶变换：用正弦/余弦波全局分解信号

矩阵分解：把大矩阵拆成小矩阵组合，用于推荐、降维

特征值分解：把矩阵拆成特征方向与缩放

梯度下降/牛顿法：用局部信息逐步逼近最优解

概率与大数定律：用样本逼近总体分布

所以整条线的本质是：

把复杂对象分解成简单基，再用有限项去逼近目标；在 AI 里，就是把这些数学工具变成可计算、可学习、可优化的模型。

## 课堂总结
从几何、向量、矩阵到概率、梯度、泰勒展开、牛顿法与优化，这是一条逐步进阶的数学主线；而 Transformer 建立在矩阵乘法上，Adam 建立在梯度上，推荐系统建立在矩阵分解上，PageRank 建立在特征值上，密码学建立在数论上，傅立叶变换建立在积分上。它们共同体现了“分解与逼近”这一核心思想，也构成了 AI 的数学骨架。