数学

拓扑学深度实战:从拓扑空间、开集闭集与连续映射到紧致性、连通性、分离公理与基本群和同伦的完整工程链路

从点集拓扑第一性原理出发,用纯Python从零实现有限拓扑引擎,覆盖开闭集/闭包/内部/边界、分离公理、连续性、紧致性(Heine-Borel)、连通性、基本群与同伦,每段配可运行代码并映射到深度学习(流形假设/损失地貌/Mode Connectivity/拓扑正则化)

复杂网络科学深度实战:从社团发现、模块度与 Louvain 社区检测到 Kuramoto 相振子与 SIR 传播动力学的完整工程链路

复杂网络科学把「谁连着谁」这件事变成可计算的几何对象。我们已经发过《复杂系统科学深度实战》,讲的是元胞自动机、伊辛相变、洛伦兹吸引子这类「涌现」的普适特征;但复杂系统往往把个体当成格子里的点,而真实世界里的脑、基因调控、社交平台、电网、互联网,真正起作用的是连接结构本身。

贝叶斯推断计算实战:从贝叶斯定理、共轭先验与吉布斯采样到 MCMC、哈密顿蒙特卡洛与变分推断的完整工程链路

贝叶斯推断把“未知参数”当作随机变量,用数据去更新我们对它的信念:先验(prior)乘以似然(likelihood)再归一化,得到后验(posterior)。这条简单的定理是整个概率建模、不确定性量化与机器学习校准的底层操作系统。

随机过程深度实战:从随机游走、泊松过程与布朗运动到伊藤积分、马尔可夫链与高斯过程的完整工程链路

随机过程是把“不确定性”变成可计算对象的第一性原理工具。我们日常写的神经网络、队列系统、扩散模型、强化学习环境、贝叶斯先验,背后几乎都站着某个随机过程——SGD 的噪声是布朗扰动,MCMC 采样是马尔可夫链,扩散模型的反向去噪是伊藤随机微分方程,PageRank 是平稳分布,主动学习的采集函数是高斯过程。

凸优化计算实战:从凸集凸函数、次梯度与投影梯度到近端方法、ADMM 与加速梯度的完整工程链路

凸优化是现代机器学习的“底层发动机”:从 SGD、Adam 到近端梯度、分布式 ADMM,几乎所有训练算法都可以统一在凸分析的语言下。本文从第一性原理出发,用可运行的 Python 代码把凸集、凸函数、次梯度、投影梯度、近端方法(ISTA/FISTA)、坐标下降与 ADMM 串成一条完整工程链路

拓扑数据分析深度实战:从单纯复形、Vietoris–Rips 过滤到持久同调与贝蒂数条形码的完整工程链路

拓扑数据分析(Topological Data Analysis,TDA)关心一件事:数据除了有“位置”,还有“形状”。一组散点可能围成一圈、串成一条链、或者卷成一个球面——这些连通性、孔洞、空腔是度量坐标变换下几乎不变的不变量,传统统计量(均值、方差、PCA 主方向)看不见

数值分析计算实战:从方程求根、多项式插值与样条到数值积分、常微分方程求解与特征值迭代的完整工程链路

数值分析是研究“用有限精度算术逼近连续数学问题”的学科——它是所有科学计算的隐形地基。本文不堆砌公式推导,而是从可直接运行的代码出发,把方程求根、线性方程组、插值、数值积分、常微分方程与特征值迭代六条主线逐一实现并验证,最后把它们与 AI / 深度学习中的梯度下降、二阶优化、样条激活