Visualize-ML

📚 章节概述

数是数学的基石。本章从最基础的自然数开始，逐步扩展到整数、有理数、无理数，最终到达复数——数系的完备化。理解数的本质是理解数学的第一步。

📐 实数系统

自然数、整数、有理数、无理数

🔢 数学常数

π、e、√2等重要无理数

🎯 复数系统

复平面、极坐标、欧拉公式

1.1 无理数与数学常数

三大数学常数

π ≈ 3.14159...

圆周率

圆的周长与直径的比值。是几何学中最重要的常数，广泛应用于三角函数、概率论等领域。

e ≈ 2.71828...

自然常数

自然对数的底数。在微积分、复分析、概率论中无处不在，是增长和衰减过程的基础。

√2 ≈ 1.41421...

根号2

第一个被证明的无理数。正方形对角线与边长的比值，开启了无理数理论。

无理数探索器

探索数学常数的无限小数

显示位数: 50

最多100位

3.141592653589793238462643383279502884197169399375

🔢 特性

• 无限不循环小数
• 不能表示为分数
• 超越数（非代数数）

📐 应用

• 几何学（π）
• 微积分（e）
• 代数学（√2）

💡 历史

• π: 古希腊时代
• e: 17世纪
• √2: 毕达哥拉斯学派

💡 无理数的特征：无理数是不能表示为两个整数之比的实数，其小数部分无限不循环。 π、e、√2都是超越数，不能作为任何整系数多项式方程的根。

1.2 数系的层次结构

📊 数系扩展过程

ℕ

自然数

1, 2, 3, ... 用于计数

ℤ

整数

..., -2, -1, 0, 1, 2, ... 引入负数

ℚ

有理数

p/q（p,q为整数，q≠0）引入分数

ℝ

实数

有理数 + 无理数，填补数轴

ℂ

复数

a + bi，完备的数系

🎯 素数的特殊性

素数是只能被1和自身整除的大于1的自然数。素数是数论的基石，所有自然数都可以唯一分解为素数的乘积（算术基本定理）。

前20个素数：

2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41, 43, 47, 53, 59, 61, 67, 71

素数定理：小于n的素数个数约为 n/ln(n)

1.3 复数与复平面

🎨 复数的引入

复数是形如 z = a + bi 的数，其中 a 为实部，b 为虚部， i 为虚数单位（i² = -1）。复数的引入解决了负数开平方的问题，使得多项式方程总有解。

代数形式

z = a + bi

三角形式

z = r(cos θ + i sin θ)

指数形式

z = re^(iθ)

ℂ

复平面可视化

交互式探索复数的几何表示

复数参数

实部 (a)3.0

虚部 (b)4.0

复数表示

代数形式:

z = 3.0 + 4.0i

模（长度）:

|z| = 5.00

辐角（角度）:

arg(z) = 53.1°

极坐标形式:

z = 5.00(cos 53.1° + i sin 53.1°)

复平面

🎨 几何意义

• 复数对应平面上的点

• 模表示到原点的距离

• 辐角表示与正实轴的夹角

➕ 运算意义

• 加法：向量平移

• 乘法：旋转+伸缩

• 共轭：关于实轴对称

💡 应用

• 电路分析（阻抗）

• 信号处理（频域）

• 量子力学（波函数）

复数运算

加法与减法

(a+bi) + (c+di) = (a+c) + (b+d)i

(a+bi) - (c+di) = (a-c) + (b-d)i

乘法

(a+bi)(c+di) = (ac-bd) + (ad+bc)i

模

|z| = √(a² + b²)

辐角

arg(z) = arctan(b/a)

1.4 欧拉公式

✨ 数学中最美的公式

欧拉公式连接了数学中五个最重要的常数：e、i、π、1和0。它揭示了指数函数与三角函数的深刻联系，是复分析的基石。

e^(iθ) = cos θ + i sin θ

当 θ = π 时

e^(iπ) + 1 = 0

∑

欧拉公式演示

可视化 e^(iθ) = cos θ + i sin θ

参数控制

角度 θ45.0° = 0.785 rad

欧拉公式

e^(iθ) = cos θ + i sin θ

实部:

cos(45.0°) = 0.7071

虚部:

sin(45.0°) = 0.7071

复数值:

0.7071 + 0.7071i

单位圆上的点

🎯 几何意义

• e^(iθ) 对应单位圆上的点

• θ 是旋转角度

• 实部是x坐标（cos θ）

• 虚部是y坐标（sin θ）

✨ 欧拉恒等式

• 当 θ = π 时

• e^(iπ) = cos π + i sin π = -1

• 因此 e^(iπ) + 1 = 0

• 连接5个重要常数

💡 应用

• 傅里叶变换

• 信号的频域表示

• 量子力学波函数

• 电路中的相量

🎯 欧拉公式的应用

• 简化三角函数运算

• 傅里叶分析的基础

• 量子力学中的波函数

• 信号处理与通信

💡 深刻意义

• 统一指数与三角函数

• 复数乘法的几何意义

• 单位圆上的旋转

• 周期性与指数增长的联系

1.5 矩阵：数字排列成长方形

📊 矩阵的概念

矩阵（matrix）是一系列数字以长方形方式排列的表格。矩阵将数据组织成有行、有列的结构，是现代数据科学和机器学习的基础数据结构。

X_n×D

n 表示行数（样本数），D 表示列数（特征数）

⊞

矩阵结构探索器

理解矩阵的行、列和元素

矩阵维度

行数 (n)3

列数 (D)4

矩阵大小

3 × 4

3 行 4 列，共 12 个元素

交互操作

点击行号高亮整行

点击列号高亮整列

同时高亮显示元素

矩阵 X (3×4)


1	2	3	4
5	6	7	8
9	10	11	12

矩阵表示：

X_3×4 或 X ∈ ℝ^3×4

元素表示：

x_i,j 表示第 i 行第 j 列的元素

📐 矩阵维度

• n：行数（样本数）

• D：列数（特征数）

• n×D 读作"n乘D"

• 矩阵有 n·D 个元素

🎯 应用示例

• 鸢尾花数据：150×5

• 图像：高×宽×通道

• 时间序列：时间×特征

• 文本：文档×词汇

💡 索引规则

• 行索引 i：1到n

• 列索引 j：1到D

• Python中从0开始

• 数学中从1开始

矩阵表示

维度表示：

X_n×D 或 X ∈ ℝ^n×D

n行D列的实数矩阵

元素表示：

x_i,j

第i行第j列的元素

索引规则：

• i: 1 到 n（行索引）
• j: 1 到 D（列索引）
• Python中从0开始

实际应用

🌸

鸢尾花数据集

150×5矩阵：150个样本，5个特征

🖼️

图像数据

高×宽×通道的三维矩阵

📈

时间序列

时间点×变量的矩阵表示

💡 为什么用n×D？在机器学习中，n通常表示样本数量，D表示特征维度（dimension的首字母）。这种记号方便区分：一小写一大写，一个字母一个字母，且n和D两个字母区分度高，不易混淆。在数据科学中，通常用n来表示样本数。

1.6 矩阵：一排列向量，或一组行向量

🔄 矩阵的两种视角

矩阵可以看作是列向量的并排，也可以看作是行向量的堆叠。这两种视角在不同的数学和应用场景中都非常重要。

列向量视图：

• 矩阵 = [x⁽¹⁾, x⁽²⁾, ..., x^(D)]
• D个列向量，每个长度为n
• 用于特征空间表示

行向量视图：

• 矩阵 = [x₍₁₎; x₍₂₎; ...; x_(n)]
• n个行向量，每个长度为D
• 用于样本数据表示

⟷

矩阵的向量视图

矩阵可以看作列向量组或行向量组

可视化

X_2×3

矩阵视图

矩阵是数字按长方形方式排列的表格。

X = [1 2 3]
[4 5 6]_2×3

• 2行3列的矩阵
• 共6个元素
• 记作 X_2×3 或 X ∈ ℝ^2×3

数学表示

矩阵: X_2×3

列向量: x^(j), j=1,2,3

行向量: x_(i), i=1,2

转置: X^T_3×2

📊 列向量视图

• 矩阵 = 多个列向量并排

• 列数 = 列向量个数

• 用于特征表示

• 线性代数运算基础

📈 行向量视图

• 矩阵 = 多个行向量堆叠

• 行数 = 行向量个数

• 用于样本表示

• 数据分析常用视角

🔄 转置操作

• 行列互换

• 维度变为 D×n

• 对称矩阵: X^T=X

• (AB)^T = B^TA^T

矩阵转置

矩阵转置（transpose）是将矩阵的行列互换的操作，记作X^T。转置后的矩阵，原来的第i行变成第i列，原来的第j列变成第j行。

转置定义：

(X^T)_i,j = X_j,i

n×D矩阵转置后变为D×n矩阵

转置性质：

• (X^T)^T = X

• (X+Y)^T = X^T + Y^T

• (XY)^T = Y^TX^T

📊 列向量视角

• 线性代数运算

• 向量空间理论

• 矩阵分解

• 特征值问题

📈 行向量视角

• 数据表格

• 样本观测

• 统计分析

• 机器学习

🔄 转置应用

• 内积计算

• 协方差矩阵

• 对称矩阵

• 正交变换

1.7 矩阵形状：每种形状都有特殊性质和用途

🔲 特殊矩阵

矩阵的一般形状是长方形。但是矩阵有各种特殊形状，每种形状都有特殊的性质和用途。理解这些特殊矩阵是线性代数的基础。

向量：

全1向量、零向量

方阵：

单位矩阵、对角矩阵

对称矩阵：

X = X^T

🔲

特殊矩阵类型

每种形状都有特殊性质和用途

矩阵大小4×4

单位矩阵

单位矩阵（Identity Matrix）

主对角线为1，其余元素为0的方阵。

记号： I 或 I_n

性质：

• n×n方阵

• 乘法单位元：IX = XI = X

• I^T = I

• det(I) = 1

应用场景

●

单位矩阵：线性变换、恒等变换

●

对角矩阵：特征值分解、快速计算

●

对称矩阵：协方差矩阵、二次型

●

零矩阵/向量：初始化、边界条件

💡 记号提示：数学中大写字母通常表示矩阵（如I、O），小写粗体表示向量（如1、0）。矩阵形状会用下标标注（如I_n表示n×n的单位矩阵）。

行数 = 列数：方阵

行数等于列数的矩阵称为方阵（square matrix）。比如2×2矩阵。方阵有很多特殊的性质和运算。

单位矩阵 I：

主对角线为1，其余为0

对角矩阵：

只有主对角线有非零元素

对称矩阵：

X_i,j = X_j,i

特殊向量

在机器学习和数据分析中，一些特殊的向量经常出现，需要记住它们的记号。

全1向量：

1 = [1, 1, ..., 1]^T

用于求和：1^Tx = Σx_i

零向量：

0 = [0, 0, ..., 0]^T

加法单位元：x + 0 = x

⚠️ 注意：虽然这些矩阵都有自己的名字（矩阵力量），大多数教科书不会完全采用这种记号。矩阵名称也是一个字母，只有矩阵和矩阵力量一致时才用矩阵力量，不是任何时候都用。比如 pandas.DataFrame 定义的数据帧中，列代表特征，比如性别、身高、体重、年龄等等；行一般代表样本，比如小张、小王、小李等等。而统计中，一般用n来表示样本数，因此决定用n来表示矩阵的行数。

1.8 矩阵加减：形状相同，对应位置，批量加减

➕➖ 矩阵的加减法

本节介绍矩阵加减法，矩阵相加或减数要求数要求数形状完全相同。矩阵加减可以批量对数据的加和减，并且加减矩阵的运算可以加快速度和简洁代码。

要求：A和B形状相同 (m×n)

结果：C = A ± B，形状仍为 m×n

矩阵加减法

形状相同，对应位置，批量加减

矩阵加法规则

两个形状相同的矩阵可以相加，对应位置的元素相加。

(A + B)_i,j = A_i,j + B_i,j

矩阵加法演示

矩阵 A

矩阵 B

结果

向量运算示例

列向量的对应元素相加

⚠️ 要求

• 形状必须完全相同

• 行数和列数都要匹配

• 否则无法进行加减

📐 性质

• 交换律：A + B = B + A

• 结合律：(A+B)+C = A+(B+C)

• 分配律：k(A+B) = kA + kB

💡 应用

• 数据预处理（归一化）

• 梯度下降（参数更新）

• 线性组合

💡 批量处理：矩阵加减法的优势在于批量处理。一次运算可以处理所有对应位置的元素，这在机器学习中非常高效。使用NumPy等库时，这些运算都是向量化的，比循环快得多。形状相同是前提条件。

矩阵加法

两个形状相同的矩阵可以相加，对应位置元素相加。

[1 2] + [1 0] = [2 2]
[4 5] [0 1] [4 6]

性质：

• 交换律：A + B = B + A

• 结合律：(A+B)+C = A+(B+C)

矩阵减法

两个形状相同的矩阵可以相减，对应位置元素相减。

[1 2] - [1 0] = [0 2]
[4 5] [0 1] [4 4]

应用：

• 误差计算：y - ŷ

• 数据对比

标量乘法

矩阵的每个元素都乘以同一个数字（标量）。

2 × [1 2] = [2 4]
[4 5] [8 10]

性质：

• 分配律：k(A+B) = kA + kB

• (kl)A = k(lA)

⚠️ 形状相同的要求

(19)和(20)揭示了一个一次性运算完成3个操作的关系式。⚠️ 注意，两个矩阵相加、减需形状完全一致，否则无法相加减。矩阵形状不一致无法进行加减。

✅ 可以运算

• 2×3 矩阵 + 2×3 矩阵 = 2×3 矩阵

• 3×1 向量 + 3×1 向量 = 3×1 向量

• 形状完全匹配

❌ 无法运算

• 2×3 矩阵 + 3×2 矩阵

• 3×1 向量 + 2×1 向量

• 形状不匹配

🚀 向量化运算

• NumPy自动向量化

• 比Python循环快得多

• 代码简洁易读

• GPU加速支持

📊 实际应用

• 数据归一化：(X - μ) / σ

• 梯度下降：w = w - α∇

• 残差计算：e = y - ŷ

• 数据预处理

💡 为什么要用矩阵？矩阵的批量运算能力是其最大优势。一次运算就能处理所有数据，而不需要写循环。这在机器学习中特别重要，因为数据集通常有成千上万个样本。使用NumPy等库时，这些运算都经过高度优化，比手写循环快几十倍甚至上百倍。此外，矩阵加减要求形状完全一致，对应位置元素相加减，这一点非常重要。

章节总结

关键要点

🔢

数系扩展

从自然数到复数的完整路径

数学常数

π、e、√2的本质与应用

🎨

复数理论

复平面、欧拉公式

"万物皆数" 是毕达哥拉斯学派的信条。从自然数到复数，数系的每次扩展都是为了解决新的问题。理解数的本质，就是理解数学抽象化过程的本质。复数的引入完成了代数的闭包，使得所有多项式方程都有解，而欧拉公式则揭示了不同数学分支之间令人惊叹的深刻联系。