资源介绍
视频数量：105个
总时长：10小时57分
课程介绍：
数据科学微积分基础完全指南
很多人学完Python、学会用sklearn调模型之后，会在某个瞬间突然卡住——梯度下降的数学推导看不懂，损失函数的收敛过程讲不明白，反向传播里的链式法则绕来绕去把自己绕晕。这时候翻回去找微积分，发现当初课堂上学的那些东西早就还给老师了。
这门课就是给这样的人准备的。它不讲花里胡哨的前沿理论，就是踏踏实实地把数据科学需要用到的微积分从头到尾讲一遍。一百零五个视频，十一个小时左右的内容，覆盖了从函数到极限、从导数到积分的全部核心知识。每个知识点都配有例题，每个规则都告诉你它从哪里来、到哪里去。
一、函数基础：微积分的起点
课程第一部分先帮你重新认识函数。不是背定义那种复习，而是从微积分的角度重新理解函数到底在干什么。多项式函数、有理函数、反函数、三角函数、指数函数和对数函数，一个一个过。为什么要学这些？因为后面所有的极限、导数、积分运算，都建立在这些函数之上。三角函数的图像特征、指数函数的变化规律，看似基础，却是后面理解很多复杂公式的前提。
二、极限：从直觉到精确
很多人对极限的印象停留在"无限趋近但永远到不了"这句话上，模糊又玄乎。课程的第二章和第三章用两章篇幅把极限讲透。先讲极限的来龙去脉，为什么要发明极限这个概念，它解决了什么问题，切线的斜率怎么算，瞬时速度怎么算，曲线下的面积怎么算。这些几何和物理的问题，其实都是在为极限的出场做铺垫。明白了这些动机，再去学极限的定义和性质，就不是死记硬背。然后是计算极限的各种方法，利用性质计算、因式分解、三角函数的极限、夹逼定理，这些是考试和实际应用中最高频的技巧。课程还专门讨论极限不存在的情形——哪些情况会导致极限失效，遇到这种情况应该怎么判断和处理。
三、连续性：函数世界的"不断线"
连续性这一章看似简单，其实很重要。课程讲清楚连续在一点上意味着什么，在区间上又意味着什么。间断点有哪些类型，什么是可去间断、跳跃间断、无穷间断。复合函数的连续性定理、中间值定理，这些内容在后面学习导数性质和积分存在性时会反复用到。
四、导数入门：变化率的核心
导数是微积分的半壁江山。课程从导数的本质讲起，它就是函数在某一点的变化率，是切线的斜率。然后从极限的定义出发，推导出导数的计算公式，让你看到这个公式怎么来的，而不是凭空冒出来。切线和斜率的关系、连续性和可导性的关系，这些细节都会讲到。很多人对"连续不一定可导，可导一定连续"这句话理解得不够透彻，课程会用具体例子帮你把概念分清楚。
五、求导法则：工具箱里的家伙
这是非常实用的一章。常数法则、和差法则、幂法则、乘积法则、商法则、链式法则，这些是做导数运算的基本工具。每个法则单独一个视频，先讲定义，再讲为什么需要它，最后给出多个例题演示。链式法则是神经网络反向传播的理论基础，这一章讲得比较细，把复合函数的求导逻辑彻底拆开。
六、常见函数的导数：分类击破
学完法则，还得知道不同类型的函数怎么求导。多项式和有理函数、三角函数、指数函数、对数函数、反函数、反三角函数、双曲函数——课程把这些函数的求导公式整理得一清二楚。指数函数和对数函数的求导在概率论和信息论里特别常用，值得多花时间看。
七、高阶导数和隐函数求导
二阶导数、三阶导数、四阶导数分别代表什么物理意义和几何意义，课程会讲到。隐函数求导处理那些没法显式写成y等于f(x)的方程，对数求导用来求复杂幂指函数的导数。这些内容在机器学习的优化理论里会用到。
八、导数的应用：理论落地
这一章特别精彩。相关变化率问题、线性近似、微分、极值、中值定理、函数图像的形状、最优化问题、洛必达法则、牛顿法——每一个都是实打实的应用。牛顿法在机器学习里是用来求根和优化的经典算法，课程会讲清它的迭代逻辑和收敛条件。最优化问题则是把导数用在实际场景中的典范，从建模到求解完整走一遍。
九、积分入门：从求面积开始
导数讲完了，接下来是微积分的另一半——积分。课程先讲反导数的概念，这是理解积分的入口。导数是把函数"降维"，反导数相反，是"升维"的过程。定积分和不定积分的区别、求和与积分的关系、微积分基本定理，这些是积分部分的骨架。微积分基本定理把导数和积分联系在一起，是整个微积分最漂亮的结论之一。
十、积分法则和技巧
和导数部分类似，积分也有自己的法则和技巧。常数的积分、和差积分、幂函数积分、区间可加性是基本功。换元积分法、分部积分法、部分分式分解、三角代换、反常积分，这些是处理复杂积分的武器。换元积分法和链式法则是对偶关系，分部积分法和乘积法则是对偶关系，课程会把这种对称性讲清楚。
十一、常见函数的积分
多项式积分、有理函数积分、三角函数积分、指数积分、对数积分、反函数积分、反三角积分、双曲函数积分——这一章把各类函数的积分公式梳理了一遍。学完这一章，遇到常见积分表达式你都能快速识别它属于哪一类、用什么公式。
十二、复杂积分和多重积分
数值积分、复变函数积分、柯西定理、留数定理、二重积分、三重积分——这些是更高级的内容。数值积分在计算机科学里特别重要，很多积分没有解析解，只能靠数值方法近似求解。留数定理是复分析的精华，用来计算某些复杂的实积分。多重积分在概率论和机器学习中会用到，比如计算多维概率分布的期望和方差。
十三、积分的应用：走向实际问题
最后一部分把积分用在各种实际场景中。曲线之间的面积、旋转体的体积、函数的平均值、弧长、表面积、力和功、质量与力矩、概率。这些应用展示了积分作为一种累积求和工具的强大之处。特别是概率部分，积分和概率分布天然相关，学完积分再看概率论会有豁然开朗的感觉。
课程最后还有一个收尾视频，告诉你学完之后可以往哪些方向继续走。线性代数、概率论、数理统计，这些都是数据科学后续要学的数学基础，微积分则是这一切的起点。
如果你正在学数据科学，发现自己的数学基础不够扎实；或者你在准备转行，想系统补一补数学；又或者你只是个对微积分感兴趣的普通学习者，想从头学一遍——这门课都能满足。不需要太高的数学前置知识，课程从最基础的概念讲起，但覆盖范围足够广，一直延伸到多重积分和复变积分。学完之后再翻开机器学习的教材，那些曾经让人头疼的数学公式会突然变得亲切起来。