专业数学 - Professional Mathematics

基于数据科学的高职数学教学创新项目库
结合真实场景的Python实战案例，让数学学习可视化、可操作、可应用

---

📚 项目概述

本仓库是《高等数学基础》（解玖霞，东南大学出版社）教材的配套实践资源库。我们通过数据科学工具（Python + Jupyter Notebook）重构传统数学教学，致力于实现“理论 → 实践 → 应用”的闭环学习。

核心特色：

• 工具驱动：使用 numpy、matplotlib、sympy、scipy 等前沿库实现核心数学概念的落地。
• 场景化学习：精心设计 5 个真实工业/商业场景项目，覆盖资源配置、数据拟合、周期建模和市场预测。
• 可视化呈现：所有案例均包含直观图表（集合文氏图、函数曲线、优化区域可行域着色等）。
• 分层设计：遵循“基础知识 → 综合项目”的循序渐进模式，适合不同阶段的学习者。

---

📂 文件结构

Professional-Mathematics/
├── 专业数学 - 集合.ipynb        # 集合运算基础 (并交补差/遍历/去重)
├── 专业数学 - 函数.ipynb        # 函数基础 (绘图/导数/极值/反函数/复合函数)
├── 专业数学 - 不等式.ipynb      # 不等式求解 (绝对值/一元二次/线性不等式组+可视化)
└── 专业数学 - 项目式学习.ipynb  # ⭐ 核心项目文件 (5大综合实战案例)

---

🚀 5大实战项目

1️⃣ 成绩分析与集合运算

• 应用场景：班级三科成绩统计（数学、英语、语文）。
• 核心技术：集合交、并、补运算 + 三维文氏图（matplotlib_venn）。
• 核心产出：直观可视化展示“三门全过、至少一门、两门组合、全挂科”的学生群体分布。
• 📎 对应文件：专业数学 - 集合.ipynb

2️⃣ 线性规划 - 最优资源配置

• 应用场景：工厂生产 A、B 两款产品，受限于机器工时与人工时间，求解最大利润配置方案。
• 核心技术：不等式约束区域绘制 + 目标函数等值线分析 + 整数解枚举。
• 核心产出：可行域填充图（包含所有整数解标记点）、最优解精确坐标及最大总利润值。
• 📎 对应文件：专业数学 - 不等式.ipynb

数学模型：

• 约束条件：

$$ \begin{aligned} & 2x + y \leq 100 && \text{(机器时间限制)} \\ & x + 2y \leq 80 && \text{(人工时间限制)} \\ & x \geq 0; y \geq 0 && \text{(非负约束)} \end{aligned} $$

• 目标函数：

$$ max Z = 40x + 30y \quad \text{(最大化利润)} $$

---

3️⃣ 指数衰减拟合 - 电池容量预测

• 应用场景：对电池使用时间与剩余容量之间的关系进行数学建模。
• 核心技术：curve_fit 指数函数拟合 + $R^2$ 决定系数评估 + 外推预测。
• 核心产出：精确参数化拟合函数、参数物理含义解释（初始容量/衰减率/标准误差）、10-20小时容量预测曲线。
• 📎 对应文件：专业数学 - 函数.ipynb

数学公式：

$$ y = 99.77 \times e^{-0.099x} $$

• 关键代码片段：

  def exp_func(x, a, b):
      return a * np.exp(b * x)
      
  # 执行模型拟合与评估
  params, cov = curve_fit(exp_func, x_data, y_data)
  r2 = r2_score(y_data, exp_func(x_data, *params))

---

4️⃣ 三角函数建模 - 昼长变化预测

• 应用场景：模拟并预测特定地区一年 12 个月的昼长周期性变化现象。
• 核心技术：余弦函数 $A \cdot \cos(Bx + C) + D$ 曲线拟合 + 跨年长效预测。
• 核心产出：拟合参数物理含义解析、未来 12 个月昼长精确预测值与变化趋势图。
• 📎 对应文件：专业数学 - 函数.ipynb

数学公式：

$$ y = -2.63 \times \cos(0.91x + 0.76) + 11.75 $$

参数物理含义解析：

• $A$ ：代表振幅（白昼变动范围）
• $B$ ：决定年周期
• $C$ ：代表相位偏移（决定最长白昼出现的月份）
• $D$ ：代表平均昼长

---

5️⃣ 复合模型拟合 - 智能手机市场预测

• 应用场景：基于 1980-2024 年全球智能手机销量历史数据，预测 2025-2040 年的长远趋势。
• 核心技术：8 种不同数学模型的横向对比 + MSE（均方误差）评估机制 + 15年长线外推。
• 📎 对应文件：专业数学 - 函数.ipynb

模型库示例：

• 单指数模型：

$$ y = a \times e^{bx} $$

• 双指数 + 幂函数复合模型：

$$ y = a \times e^{bx} + c \times e^{dx} + e \times x^f $$

• 双指数 + 对数复合模型：

$$ y = a \times e^{bx} + c \times e^{dx} + e \times \ln(x) $$

---

🛠️ 环境配置

依赖库安装

pip install numpy matplotlib sympy scipy scikit-learn pulp matplotlib_venn

运行方式

• 本地运行：

  jupyter notebook "专业数学 - 项目式学习.ipynb"

• 在线运行（推荐）： 可直接将 .ipynb 文件上传至 Google Colab / Kaggle / Binder 平台一键在线执行。

---

📖 学习路径与教学建议

🔰 初学者路径

1. 建议按照 集合 → 函数 → 不等式 的顺序依次完成基础模块的实践。
2. 尝试理解每个代码单元格背后对应的数学原理。
3. 通过手动修改代码中的参数，观察可视化图表的实时变化。

🎯 进阶者路径

1. 可以直接切入 专业数学 - 项目式学习.ipynb 核心文件。
2. 尝试修改各项目的边界场景（例如改变电池容量的衰减率、调整工厂的生产约束条件等）。
3. 导入企业或个人的真实数据集来替换示例数据，开展自主建模。

💡 教师教学建议

• 翻转课堂素材：可作为优秀的翻转课堂前置任务，由学生预习项目代码，课堂上聚焦于业务场景讨论与扩展应用。
• 混合式教学设计：紧密配合教材章节进行“理论讲解 → 代码演示 → 项目实战”的三阶段混合式教学。

---

🎓 教学特色

对比传统教学的优势

维度	传统教学	本项目方法
集合运算	抽象概念，仅能依靠手工绘制简单的二维文氏图	通过 Python 自动生成高维、精确且具备交互性的文氏图
不等式求解	繁琐的手工代数计算，配以粗略的数轴草图	利用强大的符号计算库，一键获取精确解集并完美可视化
函数拟合	复杂的数学公式推导，难以处理非线性的真实数据	结合真实工业数据，进行多模型横向对比与 $R^2$ 科学评估
线性规划	局限于平面图解法，难以处理多约束与整数解问题	约束区域自动化着色，支持全空间内的整数解智能枚举

培养的核心能力

• 数学建模能力：培养将复杂的实际业务场景转化为抽象数学模型的核心素养。
• 编程实现能力：熟练使用 Python 前沿科学计算工具库高效执行数学算法。
• 数据分析能力：掌握数据拟合、外推预测、模型评估以及优劣筛选的标准流程。
• 可视化表达：学会利用专业、直观的图表清晰地传达数学结论。

---

🤝 贡献指南

我们非常欢迎社区开发者与广大一线教师提交新的教学项目案例，或对现有内容提出优化与改进建议！