数学之美

知识专题 · 40篇

数学之美

从一张地图、一次查找、一组数据出发,追到定义、假设与必要推导,再回到软件工程和AI里的具体问题。

一张不按比例画的地图为什么仍然有用?有限样本究竟能告诉我们多少?数学上等价的公式,交给机器为什么会算出不同结果?这套40章合集从这些问题进入关系、数量、线性结构、概率、信息、优化与计算边界。每一部都从一个小实例打开,建立需要的数学,再回到同一个实例检查结论。关键步骤给出可跟随的推导,也保留方法会失效的条件和反例。

开始阅读 8个部分 · 40篇可读

第1部 关系与结构

6篇

从地铁图开始,写清对象、条件与连接,最后回到不同目标怎样改变路线选择。

  1. 01
    一张地铁图,究竟保留了什么
  2. 02
    把一句话说清楚:命题、集合与条件
  3. 03
    从关系到图:节点和边从哪里来
  4. 04
    局部步骤,怎样保证全局正确
  5. 05
    一条最短路,凭什么是最短的
  6. 06
    回到路线图:换一种目标,答案就变了

第2部 数量与代价

5篇

从小选择组成的大空间出发,研究计数、碰撞、比较下界和增长率,回到查找方案的完整成本。

  1. 07
    十个开关,为什么有一千多种状态
  2. 08
    有限的编号,为什么一定会发生碰撞
  3. 09
    一个问题,最多能排除多少可能
  4. 10
    分而治之:工作量到底去了哪里
  5. 11
    回到查找:把索引、比较和维护成本一起算

第3部 线性结构

6篇

从一条预测线出发,理解向量、点积、矩阵、秩与投影,回到最小二乘的几何解释。

  1. 12
    几个数据点,怎样决定一条预测线
  2. 13
    向量:一串数字,也是一个方向
  3. 14
    点积:怎样量出重合的那一部分
  4. 15
    矩阵:把许多关系写成一次变换
  5. 16
    秩与零空间:为什么答案可能不唯一
  6. 17
    回到数据:最小二乘原来是一次投影

第4部 概率与统计

6篇

从误报告警出发,建立事件、条件概率、期望方差与抽样误差,再设计可支持判断的评估。

  1. 18
    告警很灵,为什么收到的却常是假消息
  2. 19
    概率究竟在给什么分配数字
  3. 20
    一条新证据,怎样改变原来的判断
  4. 21
    平均值之外:波动与相关性
  5. 22
    从样本到整体,误差能缩小多少
  6. 23
    回到告警:怎样做一次可信的评估

第5部 信息与编码

5篇

从压缩长度出发,连接对数、概率、码树、熵与分布失配,回到压缩和预测的可比较代价。

  1. 24
    一段内容,究竟还能压缩多少
  2. 25
    为什么信息量要取对数
  3. 26
    熵:平均编码长度的下界从哪里来
  4. 27
    用错了分布,要多付出多少代价
  5. 28
    回到预测:少一点不确定性,究竟意味着什么

第6部 变化与优化

6篇

沿用小数据集,定义误差与约束,理解局部近似、链式关系、梯度步长和凸性,再比较拟合与验证。

  1. 29
    模型错了多少,能用一个数说清吗
  2. 30
    导数:把变化写成局部直线
  3. 31
    多层运算,怎样把变化一层层传回
  4. 32
    顺着梯度走,步子多大才合适
  5. 33
    什么条件下,局部最优就是全局最优
  6. 34
    回到拟合:训练更好,为什么预测更差

第7部 数值计算

4篇

从有限位数的表示出发,区分表示误差、问题敏感性与算法稳定性,回到数值结果的可信程度。

  1. 35
    0.1为什么不能总被机器准确写下
  2. 36
    一点点误差,为什么会被放大
  3. 37
    同一个公式,换种写法为什么更准
  4. 38
    回到模型:怎样判断一个数值结果可信到几位

第8部 计算边界

2篇

用停机问题的具体反证认识通用判定的边界,再回到有限范围内能够建立的程序保证。

  1. 39
    能写一个判断所有程序会不会结束的程序吗
  2. 40
    回到一个真实系统:数学能保证什么

怎么读

每一部从一个具体实例出发,补上定义、假设与必要推导,再回到实例检查答案。遇到数学符号会先说明含义;证明与模型的适用条件一并保留。

作者:Jiancheng Wang。本系列独立原创,与吴军同名著作没有改写或摘要关系。

数学之美

阅读目录

返回合集目录