∑

数学知识体系

Observatory Archive of Mathematics
⌕2026/8/31
知识要点 · 大学数学

高等数学

计算机专业 · 本科阶段

微积分、级数与微分方程初步，为算法复杂度分析与机器学习铺路。

计算机专业的高等数学以「为算法与机器学习储备分析工具」为目标：一元微积分服务复杂度分析（渐近记号、极限估计），多元微积分与线性代数结合服务梯度优化，级数服务近似计算，微分方程初步则通向神经网络动力学。

§ 01

一元微积分与复杂度分析

极限思想直接服务算法分析：大 O 记号 O(n)O(n)、o(n)o(n) 的数学基础就是极限比较，斯特林近似 n!∼2πn(n/e)nn!\sim\sqrt{2\pi n}(n/e)^n 由积分与级数推出，用于估计排列数规模。导数与极值服务代价函数优化：梯度下降的本质是沿负梯度方向迭代。
§ 02

多元微积分与梯度

偏导数、方向导数与梯度：机器学习中损失函数 J(w)J(w) 对参数向量 ww 的梯度 ∇J\nabla J 决定参数更新方向。链式法则（多元复合求导）是反向传播算法的数学心脏；黑塞矩阵判断驻点是鞍点还是极值。
§ 03

级数与近似

泰勒级数提供函数的多项式近似，是数值计算（如 exe^x、sin⁡x\sin x 的快速计算）与误差分析的基础；傅里叶级数与变换通向信号处理与卷积神经网络中的频域分析。无穷级数的敛散判别服务算法的收敛性讨论。
§ 04

微分方程初步

一阶与二阶常微分方程解法为连续系统建模：传染病传播（逻辑斯蒂方程 dxdt=rx(1−x/K)\dfrac{dx}{dt}=rx(1-x/K)）、神经网络常微分方程（Neural ODE）与物理引擎中的运动方程。数值解法（欧拉法、龙格-库塔法）衔接计算科学。

核心公式速查

斯特林近似n!∼2πn(ne)nn!\sim\sqrt{2\pi n}\left(\dfrac{n}{e}\right)^n
梯度下降wt+1=wt−η ∇J(wt)w_{t+1}=w_t-\eta\,\nabla J(w_t)
多元链式法则dJdwi=∑k∂J∂zk∂zk∂wi\dfrac{dJ}{dw_i}=\sum_k\dfrac{\partial J}{\partial z_k}\dfrac{\partial z_k}{\partial w_i}
逻辑斯蒂方程dxdt=rx(1−xK)\dfrac{dx}{dt}=rx\left(1-\dfrac{x}{K}\right)

学习建议与易错点

  • 学高数时主动把公式与算法对照：罗尔定理对应二分法/牛顿法的收敛性前提，泰勒展开对应数值微分的截断误差。
  • 梯度的几何意义是「增长最快方向」，优化中取负梯度方向下降——动手推导一遍多元链式法则再读反向传播会豁然开朗。
  • 级数的余项估计比求和本身更重要：数值计算中截断误差必须可控。
  • 复杂度分析的数学根基是极限：log⁡nn→0\dfrac{\log n}{n}\to0 这类极限要能一眼看出量级。