数学基础最小生存包

综合实践 · 08_资料库/数学基础最小生存包.md

数学基础最小生存包

目标

这个文件不是数学教材，而是帮助你在课程、论文和作业里遇到数学内容时，先判断“它在干什么”，再借助 AI 补细节。

最先要认出的 6 类符号

1. 求和符号 Σ

直觉：把很多项加起来。

• 样本均值。
• 损失函数。
• 似然函数的 log 形式。

常见场景：

遇到时问 AI：

这个求和是对样本、变量、时间，还是网络节点求和？

2. 期望 E

直觉：按概率加权平均。

• 风险。
• 平均损失。
• 理论误差。

常见场景：

遇到时问 AI：

这里的期望是对哪个随机变量取的？它和样本均值有什么关系？

3. 概率 P

直觉：事件发生的可能性。

• 假设检验。
• 贝叶斯公式。
• 分类模型输出。

常见场景：

遇到时问 AI：

这个概率是条件概率、联合概率，还是边缘概率？

4. 导数和梯度

直觉：变化率和优化方向。

• 最大似然估计。
• 损失函数最小化。
• 梯度下降。

常见场景：

遇到时问 AI：

这个导数是对哪个参数求的？求导后是为了找最大值还是最小值？

5. 矩阵和向量

直觉：批量表示很多样本和变量。

• 线性回归。
• 机器学习输入。
• 网络邻接矩阵。

常见场景：

遇到时问 AI：

这个矩阵的行和列分别代表什么？维度是否匹配？

6. argmin / argmax

直觉：找出让目标函数最小或最大的参数。

• 损失函数最小化。
• 最大似然估计。
• 模型训练。

常见场景：

遇到时问 AI：

这里优化的目标是什么？优化变量是什么？约束条件是什么？

课程中最常见的 8 个公式结构

样本均值

用途：用样本平均估计总体平均。

你要会说：

这是一个点估计，描述样本的平均水平。

样本方差

用途：描述样本波动。

你要会说：

方差反映波动，但对尾部风险的描述不充分。

线性模型 y = Xβ + ε

用途：用特征线性组合解释或预测结果。

你要会说：

X 是特征矩阵，β 是参数，ε 是模型无法解释的误差。

似然函数

用途：衡量参数下数据出现的可能性。

你要会说：

最大似然估计是选择让观测数据最可能出现的参数。

损失函数

用途：衡量模型预测错误。

你要会说：

模型训练就是最小化损失函数，但损失函数要和任务目标一致。

贝叶斯公式

用途：用数据更新先验。

你要会说：

后验正比于先验乘以似然。

相关系数

用途：度量线性关联。

你要会说：

相关系数只说明关联强度，不支持直接因果解释。

高分位数

用途：描述尾部风险。

你要会说：

高分位数比均值更能反映极端损失阈值。

对 AI 的最小请求

遇到任何公式，直接使用：

1. 它属于什么任务；
2. 每个符号是什么意思；
3. 它的直觉解释；
4. 作业里可以怎么写。

请帮我把这个公式拆成四层：

公式： 【粘贴公式】

不需要一开始深挖的内容

入学前可以先不深挖：

• 严格测度论概率。
• 大量定理证明。
• 高阶矩阵分解细节。
• 优化算法收敛性证明。
• 复杂模型的全部推导。

但必须会识别：

• 这个公式在估计、检验、预测、优化还是风险度量。
• 哪些是数据，哪些是参数。
• 结论依赖什么假设。
• 能不能用 AI 生成作业可写版本。