# 《给初中生的机器学习数学》互动教程大纲

> [打开课程首页：查看 17 章路线、搜索知识点并继续学习](index.html)

## 教程定位

- 读者：具备小学四则运算基础的初中生
- 目标：能够独立理解机器学习常见数学表达，并知道每个公式在解决什么问题
- 学习方式：生活情境 → 动手实验 → 数学语言 → 机器学习连接 → 即时检测
- 页面风格：日本电脑技术杂志式编辑设计，各章节均为可离线打开的独立 HTML

## 第一册：机器学习的数学起点（第 1—17 章）

### 第 1 章 AI 是怎样猜答案的？

1. 用猜数字游戏认识“预测—反馈—调整”
2. 复习加减乘除、乘方与运算顺序
3. 用绝对值表示数轴上的距离
4. 用勾股定理计算平面上两点的距离
5. 区分欧几里得距离与曼哈顿距离
6. 理解“误差也是一种距离”
7. 互动实验：二分猜数、距离实验室
8. 章末检测：5 道题，即时讲解

### 第 2 章 让字母替数字工作

1. 用字母表示固定值与变化的值
2. 用字母写平均数公式
3. 省略乘号、分配律和平方公式
4. 用下标管理一组数据
5. 把“离所有数据有多远”写成距离平方和
6. 通过实验发现：平均数使距离平方和最小
7. 认识机器学习里的损失函数
8. 互动实验：公式翻译器、误差山谷
9. 章末检测：5 道题，即时讲解

### 第 3 章 Σ：把一长串加法折叠起来

1. 认识 Σ 的下限、上限和被加项
2. 在普通加法与 Σ 写法之间互相翻译
3. 掌握求和的拆分、常数提出等规则
4. 用 Σ 写平均数和距离平方和
5. 从一维平均数走到二维重心
6. 体验 k-means 的“分组—更新重心—再分组”
7. 图解与互动：Σ 三零件图、循环累加图、批量损失图、重心图；配套 Σ 展开器、损失实验、重心探测器和迷你聚类
8. 章末检测：12 道题，选择后即时讲解，并记录首次暴露的薄弱知识点

### 第 4 章 导数：看见“下一步往哪里走”

1. 从路程变化认识“变化量”和“平均变化率”
2. 用函数写出输入改变后，输出改变了多少
3. 观察割线不断靠近切线，理解“无限接近”的含义
4. 认识导数 `f'(x)`：函数在某一点附近改变得有多快
5. 用图像理解导数的正、负、零
6. 掌握常数、一次项和幂函数的基本求导规则
7. 连接机器学习：损失函数的导数为什么能指挥参数更新
8. 互动实验：平均速度计算器、割线逼近器、导数观察器、训练一步模拟器
9. 章末检测：12 道题，即时指出未掌握的知识点

### 第 5 章 回归：让一条线尽量照顾所有数据

1. 区分输入 `x`、真实值 `y`、预测值 `ŷ` 和模型参数 `a`
2. 认识一元线性回归 `ŷ=ax+b`，并说明简化模型 `ŷ=ax` 的限制
3. 用竖直距离理解残差 `axᵢ-yᵢ`
4. 理解为什么要把全部残差平方后再求和
5. 用最小二乘法寻找让整体误差最小的斜率
6. 把 Σ 展开、求导并得到 `a=Σxᵢyᵢ/Σxᵢ²`
7. 用租金样本拟合直线并预测新房间的租金
8. 认识回归的用途和边界：外推风险、相关不等于因果、回归不等于分类
9. 互动实验：拟合滑杆、残差图、误差读数、预测滑杆
10. 章末检测：12 道题，即时指出未掌握的知识点

### 第 6 章 偏导数：一次只动一个旋钮

1. 认识多变量函数 `z=f(x,y)`，区分输入变量与输出结果
2. 理解偏微分的核心：关注一个变量，把其他变量暂时当常数
3. 学会读取 `∂f/∂x`、`∂f/∂y` 等偏导符号
4. 计算多项式偏导，特别辨析 `xy` 等交叉项不能整体删除
5. 用曲面截面理解不同方向的局部斜率
6. 认识梯度：把损失对所有参数的偏导数组合起来
7. 连接机器学习：沿梯度反方向同时更新多个参数
8. 互动实验：截面切换器、偏导读数、两参数梯度下降
9. 章末检测：12 道题，即时指出未掌握的知识点

### 第 7 章 多元回归：让多个线索一起预测

1. 用楼龄、面积等多个特征共同预测连续数值
2. 区分特征 `x₁,x₂`、目标 `y`、预测 `ŷ` 与参数 `a₀,a₁,a₂`
3. 理解公式 `ŷ=a₀+a₁x₁+a₂x₂` 中各系数的条件含义
4. 从一条回归直线走向两个特征对应的回归平面
5. 用残差平方和让所有样本共同评价模型
6. 对每个参数求偏导，得到需要同时满足的方程
7. 使用原文三组房地产数据求出预测模型并预测新样本
8. 连接机器学习：用梯度下降代替手解大型联立方程
9. 互动实验：三参数调节、真实/预测对照、偏导方向与新房预测
10. 章末检测：12 道题，即时指出未掌握的知识点

### 第 8 章 0 的规则：看似没有，却不能随便算

1. 区分 `0÷a` 与 `a÷0`，并单独认识 `0÷0`
2. 理解导数中的 `h→0` 是趋近过程，不是直接令分母为 0
3. 从指数递减规律理解 `a⁰=1` 的条件是 `a≠0`
4. 将负指数翻译成倒数，并检查零底数
5. 用空排列与阶乘递推解释 `0!=1`
6. 认识机器学习中的零分母风险：标准化、向量归一化与数值保护 `ε`
7. 互动实验：除法检查器、指数阶梯和阶乘展开器
8. 章末检测：12 道题，即时指出未掌握的知识点

### 第 9 章 复合函数与链式法则：把变化一层层传回去

1. 用多段加工机器理解复合函数 `g(f(x))`
2. 辨析内层、外层和运算顺序，比较 `g(f(x))` 与 `f(g(x))`
3. 将总变化拆成每一段的局部变化率
4. 掌握链式法则 `dz/dx=(dz/dy)(dy/dx)`
5. 用 `z=(3x²+4)²` 完成一遍分层求导
6. 认识神经网络前向传播：输入逐层变成预测与损失
7. 认识反向传播：损失沿计算链找到每个参数的责任
8. 理解非线性激活函数为什么能让网络学习 XOR 等复杂规律
9. 互动实验：复合顺序比较、链条斜率、简化反向传播训练器
10. 章末检测：12 道题，即时指出未掌握的知识点

### 第 10 章 向量：把许多特征装进一个箭头

1. 认识向量、分量、维数和标量
2. 用箭头与特征表理解向量的两种含义
3. 掌握向量加减和标量乘法
4. 用“对应相乘再求和”计算内积
5. 连接神经元打分公式 `w·x+b`
6. 用勾股定理计算向量长度并认识单位向量
7. 用余弦相似度比较方向，辨析零向量的特殊情况
8. 比较动物体重身高与学生兴趣向量，选择距离或相似度
9. 互动实验：拖动二维向量，同步观察内积、长度和余弦相似度
10. 章末检测：12 道题，即时指出未掌握的知识点

### 第 11 章 矩阵：让神经网络一次计算一整批

1. 认识矩阵的行、列、元素下标与形状
2. 掌握矩阵加法和标量乘法
3. 将矩阵乘向量理解为“每一行分别点乘输入”
4. 用 `z=Wx+b` 理解一层神经网络的批量神经元
5. 掌握矩阵乘法的“左行点乘右列”规则
6. 用内侧维数判断能否相乘，用外侧维数判断结果形状
7. 理解批量公式 `Y=XW+b` 中样本、特征与输出的对应关系
8. 认识偏差广播、乘法顺序与行列摆放约定
9. 互动实验：矩阵行打分器、批量结果打印机
10. 章末检测：12 道题，即时指出未掌握的知识点

### 第 12 章 概率：先看清“分母里的世界”

1. 区分试验、结果和事件，用 0 到 1 表达不确定性
2. 用目标结果数除以全部等可能结果数计算基本概率
3. 认识补事件，并集、交集与互斥事件
4. 区分独立与从属，理解无放回抽取为什么改变概率
5. 学会阅读 `P(B|A)`，用条件 A 缩小新的分母范围
6. 掌握条件概率公式与乘积公式
7. 用设备报警交叉表区分正向条件与反向条件
8. 连接机器学习中的 `P(类别|特征)`、误报与漏报
9. 互动实验：无放回抽奖、条件范围表格
10. 章末检测：12 道题，即时指出未掌握的知识点

### 第 13 章 贝叶斯：用新证据更新原来的判断

1. 从“结果怎样由原因产生”反推“结果出现后原因有多可能”
2. 用同一个交集的两种写法推出贝叶斯公式
3. 区分先验、似然、证据和后验四个公式零件
4. 用每 1000 个设备的人数直觉检查后验概率
5. 将两个原因扩展为多个互斥且完整的假设
6. 理解证据概率为什么要包含所有候选原因
7. 用后验作为下一轮先验，完成连续贝叶斯更新
8. 认识中性先验与条件独立等建模假设
9. 互动实验：贝叶斯反推器、连续证据传送带
10. 章末检测：12 道题，即时指出未掌握的知识点

### 第 14 章 伯努利与二项分布：从一次成败到次数地图

1. 从频数表和柱状图认识随机变量与概率分布
2. 理解完整离散分布的概率总和为 1
3. 用 0/1 表示一次伯努利试验的失败与成功
4. 用 `pᵏ(1−p)¹⁻ᵏ` 统一写出伯努利分布
5. 枚举三次试验的八种序列，建立组合数直觉
6. 拆解二项分布公式 `ₙCₖpᵏ(1−p)ⁿ⁻ᵏ`
7. 检查二项模型的固定次数、二选一、独立同概率条件
8. 认识概率质量、累积概率、平均成功次数与似然
9. 互动实验：伯努利天平、动态二项分布生成器
10. 章末检测：12 道题，即时指出未掌握的知识点

### 第 15 章 正态分布、Beta 分布与不确定性

1. 区分离散变量与连续变量，理解连续值为什么要看区间
2. 用纸飞机距离认识正态分布的钟形结构
3. 区分均值 `μ`、标准差 `σ` 与方差 `σ²` 的角色
4. 理解概率密度是“附近拥挤程度”，区间面积才是概率
5. 认识 Beta 分布的横轴是未知概率 `p`
6. 从均匀先验 `Beta(1,1)` 出发，用成功和失败更新 `α、β`
7. 比较点估计、分布宽度与可信区间，判断模型是否过度自信
8. 连接回归预测、点击率估计、主动学习与风险决策
9. 互动实验：正态钟形山、Beta 证据更新器
10. 章末检测：12 道题，即时指出未掌握的知识点

### 第 16 章 指数函数：重复相乘如何改变世界

1. 区分底数与指数，把幂还原成重复乘法
2. 从相同底数的数量推导乘法、除法和幂的幂法则
3. 理解零指数、负指数与分数指数为什么保持原有规律
4. 辨析指数塔的运算顺序与括号作用
5. 比较固定增量和固定倍数，认识指数增长与指数衰减
6. 认识自然常数 `e`、`exp(x)` 与它始终为正的性质
7. 用 Sigmoid 把任意实数分数压到 0 与 1 之间
8. 连接二分类、Softmax、正态分布与注意力权重
9. 互动实验：指数增长轨道、Sigmoid 概率门
10. 章末检测：12 道题，即时指出未掌握的知识点

### 第 17 章 对数、信息量与机器学习损失

1. 把对数理解为指数的逆运算，辨认底数、真数和对数值
2. 掌握真数必须大于 0、底数的合法范围
3. 理解乘积变和、商变差、幂变系数三条对数法则
4. 明确 `log(x+y)` 没有普通拆分规则
5. 区分 `lg`、`ln` 与 `log₂` 的底数和信息单位
6. 用 `I=−log₂p` 理解“越罕见，信息量越大”
7. 用二元熵描述长期平均的不确定程度
8. 从真实类别概率推出二分类交叉熵 / 对数损失
9. 连接最大似然、连乘转求和与数值稳定性
10. 互动实验：指数—对数双向门、信息熵曲线、模型惊讶仪
11. 章末检测：12 道题，即时指出未掌握的知识点

## 本册完成范围

第 1—17 章已经覆盖原文当前课程路线，并形成从基础运算、函数与微积分，到向量矩阵、概率分布和机器学习损失的完整自学闭环。

## 每章自学闭环

1. 先读本章任务卡，明确“学完能做什么”。
2. 完成互动实验，先观察规律，再阅读公式。
3. 遇到公式时，用自己的话读一遍。
4. 完成知识检测；错题会显示原因，不只显示答案。
5. 达到 80 分后再进入下一章；未达到时按建议返回对应知识卡。