应用数学

教程导读

一句话定位：这不是一本按定理编号排列的数学书，而是一间开在工程现场的"数学门诊"——工单来自金融、制造、生物、信号、物流这些真实行业，诊断工具是建模、线性代数、微分方程、概率统计、数值计算与优化，处方用 Python 与 NumPy/SciPy 写成，药效要用数据复诊。

这间门诊收治什么"病人"

凌晨两点，一家风电场的运维工程师发来工单：齿轮箱振动信号里混着工况噪声，怎么提前两周识别出轴承点蚀？供应链总监的问题更急：三条航线、五个仓库、七十家门店，补货周期内缺货率和库存资金同时压指标，仓位怎么分？疾控中心给的期限只有四十八小时：一条新传播链的基本再生数是多少，封控多大范围能把增量压平？

这些问题没有一个是"纯数学题"。它们有的是表格，有的是波形，有的是一堆带噪声的计数。把它们翻译成数学语言、求解、再把结论翻译回业务决策——这套流程就是应用数学的全部。我在工业界和数据分析团队待了十几年，见过的失败案例大多不是数学不够深，而是翻译环节出了错：假设悄悄溜进模型，量纲对不上，验证用错了数据。所以本教程的顺序与传统教材不同，我们从"接工单"开始，而不是从"定义"开始。

适合谁读

• 有一定微积分、线性代数基础，想看数学怎么落到真实问题上的工科学生与转行者；
• 数据分析师、算法工程师、仿真工程师，想补齐方法背后的"为什么"；
• 参加数学建模竞赛的队伍——每章的算例都可以直接改造为赛题解法骨架。

学完你能做什么

1. 拿到一个模糊的业务诉求，能独立走完"假设—建模—求解—验证—复诊"的完整闭环；
2. 用 NumPy/SciPy 实现最小二乘、常微分方程数值解、蒙特卡洛模拟、线性规划等核心算法，并知道每个函数背后的假设；
3. 看懂模型失效的方式：病态矩阵、数值不稳定、过拟合、分布漂移，并且有对应的排查动作。

全册知识地图

八章的依赖关系如下图：第 1 章是门诊的"分诊台"，第 2、3、4 章是三大常规检查（代数结构、动态演化、随机不确定性），第 5、6 章是治疗手段（算得准、选得优），第 7 章是跨科室会诊的实战病历，第 8 章是疑难杂症与医患沟通（前沿方法与模型责任）。

应用数学门诊知识地图

写作立场

把丑话说在前面：本教程不追求数学上的完备。测度论式的严格、存在性定理的证明细节，都让位给"方法为什么有效、什么时候失效"的工程判断。每节的代码都能整段运行，但运行结果只是起点——我更希望你改掉参数再跑一遍，看结论怎么摇摆。这也是全书反复出现的母题：一个结论必须知道它对哪些假设敏感，才算真正掌握了它。门诊里没有包治百病的处方，只有对症的判断与诚实的误差棒；这本教程教会你的，是把这套态度带进你自己行业的工单里。

怎么用这个教程

每章支柱页是一张"科室介绍"，列出知识点清单与节间关系；每节以一个工单开场，先给直觉再给代码，代码都是可以整段复制进 Python 直接运行的。建议顺序阅读第 1 章后，2、3、4 章可按兴趣调换，5、6 章务必在第 7 章之前读完。全册代码只依赖 NumPy、SciPy、偶尔用到 matplotlib 与 pandas，装好即可动手。