微积分入门教程

掌握描述变化、优化和连续世界的核心数学工具

微积分是现代科学和人工智能的基石，它提供了描述变化和优化的数学工具。从预测天体运动到优化深度学习模型，从计算曲线长度到模拟流行病传播，微积分无处不在。当我们使用GPS导航、观看电影特效或分析股票市场时，背后都有微积分的力量在支撑。

本文将介绍微积分的核心概念，并通过Python代码展示其实际应用。我们使用NumPy和Matplotlib库进行计算和可视化。

import numpy as np
import matplotlib.pyplot as plt

1. 导数和微分：理解瞬时变化

1.1 导数的定义与几何意义

导数描述了函数在某一点的瞬时变化率。从几何角度看，它代表了函数曲线在该点的切线斜率。

对于函数 $f(x)$，在点 $x$ 处的导数定义为：

$$f^{\prime }(x)=\underset{h\to 0}{\lim }\frac{f(x+h)-f(x)}{h}$$

这个定义捕捉了当 $h$ 趋近于0时，函数变化的极限行为。

# 定义函数 f(x) = x^2
def f(x):
    return x**2

# 数值计算导数
def numerical_derivative(f, x, h=1e-5):
    return (f(x+h) - f(x-h)) / (2*h)

# 在x=1处计算导数
x_point = 1.0
derivative = numerical_derivative(f, x_point)

# 可视化
x_vals = np.linspace(0, 2, 100)
plt.figure(figsize=(10, 6))
plt.plot(x_vals, f(x_vals), label='f(x) = x²')
plt.scatter(x_point, f(x_point), color='red', s=100)
plt.plot(x_vals, derivative*(x_vals-x_point) + f(x_point), 
         'r--', label=f'切线: 斜率 = {
     
     derivative:.2f}')
plt.title('导数：曲线切线的斜率')
plt.xlabel('x')
plt.ylabel('f(x)')
plt.legend()
plt.grid(True)
plt.show()

2. 偏导数：多变量函数的导数

2.1 偏导数的概念

当函数有多个变量时，我们使用偏导数来衡量函数在某一变量方向上的变化率，同时保持其他变量不变。

对于函数 $f(x,y)$，关于 $x$ 的偏导数定义为：

$$\frac{\partial f}{\partial x}=\underset{h\to 0}{\lim }$$