术语从定义进入关系。

用先验和似然形成后验分布，并通过后验预测表达参数不确定性。

在区域边界施加函数值或通量条件，并研究这些约束如何选择微分方程的解。

对函数空间中的泛函求驻值，推导 Euler–Lagrange 方程及边界项。

用未知函数及其常导数描述动态规律，区分阶数、线性、自治和初值条件。

研究统计量在重复抽样中的分布，为标准误、区间估计和检验建立基础。

给定某一时刻的状态后求解微分方程，并理解存在唯一性对演化预测的意义。

说明独立样本均值在适当条件下趋近总体期望，并区分弱收敛与强收敛。

由差商极限定义瞬时变化率，并区分导数、线性近似和微分记号。

累积历史更新方向以抑制高曲率振荡，并加速沿稳定方向的前进。

分析多项式的次数、因式分解、根及重数，并连接代数表达式与函数图像。

在二维和高维区域上累积标量密度，并处理积分次序与变量变换。

用矩阵表达多变量二次函数，并由特征方向分析等值面与曲率。

用极限定义无穷区间或无界被积函数的积分，并判断其收敛性。

沿任意给定方向定义多变量函数的变化率，并连接单位方向与局部线性近似。

用代数形式和极坐标形式表示复数，理解模、幅角、共轭与旋转缩放的联系。

把非周期信号表示为连续频率成分，并连接时域卷积、频域乘法和谱宽。

把周期函数展开为正弦和余弦谐波，利用正交性计算频率系数与收敛行为。

用样本空间、事件集合和可列可加测度建立概率推理的基本规则。

通过初等行变换把线性方程组化为阶梯形，并稳定地回代求解。

把函数理解为带定义域和值域的映射，并从图像识别单调性、对称性和复合变化。

使用换元、分部积分和部分分式把复杂积分化为可计算的基本形式。

从分割求和极限定义定积分，并把积分解释为面积、总量和连续累积。

用趋近过程刻画函数局部行为，并以极限定义连续、间断和无穷变化。

用集合、子集、笛卡尔积和映射描述数学对象的范围、对应关系与复合规则。

用零假设下的统计量分布控制第一类错误，并解释 p 值、功效和多重比较。

用近端算子处理不可微正则项，并把梯度步骤与结构化收缩组合。

把矩阵作为线性映射和线性方程组的有限维表示，区分行、列与形状。

从行列内积和映射复合理解矩阵乘法，明确不可交换性与维度匹配条件。

用主元、列空间和像空间度量矩阵保留的独立方向数量。

掌握矩阵加法、数乘、转置和分块操作，并跟踪各运算对矩阵形状的要求。

分析 Bernoulli、二项、几何和 Poisson 分布的参数、支持集与典型生成机制。

用概率密度和积分研究均匀、正态、指数等连续分布及其参数。

描述多个随机变量的共同变化，并由边缘化和条件化提取局部规律。

把复合函数的局部变化拆为各层导数的乘积，并推广到多变量映射。

求解映射到零向量的全部输入，并用秩-零化度关系连接自由度。

区分命题、蕴含、等价、全称量词和存在量词，并正确否定带量词的陈述。

把决策变量、目标函数和约束写成明确优化问题，并区分局部与全局最优。

在其他变量固定时测量多变量函数沿坐标方向的局部变化率。

用多个自变量的偏导描述场的空间与时间变化，并区分椭圆、抛物和双曲类型。

用期望描述中心趋势，以方差和协方差刻画波动尺度及变量的线性共同变化。

把任意矩阵分解为两次正交变换和一次轴向缩放，揭示秩与主方向。

在参数曲面上累积密度或通量，明确面积元和法向方向的作用。

沿参数曲线累积标量或向量场贡献，并解释功与环流的数学表达。

从单位圆定义正弦、余弦和正切，理解周期、相位与常用恒等式。

量化随机变量的不确定性以及两个变量共享的信息，连接编码、推断和学习。

研究离散序列的极限、递推关系和无穷求和，为连续极限与函数展开建立基础。

通过基例和归纳步骤证明离散命题，并识别强归纳法适用的递归结构。

把随机试验结果映射为数值，并用分布函数或密度描述取值规律。

用随机样本或小批量近似完整梯度，权衡计算成本、方差与泛化行为。

寻找在线性变换下方向不变的向量，并用特征值刻画该方向上的伸缩。

把各坐标偏导组织为向量，并用内积说明梯度给出无约束下最陡上升方向。

沿负梯度方向迭代更新参数，并分析步长、曲率和初值对收敛的影响。

在已知事件发生的条件下更新样本空间，并区分独立、互斥和条件独立。

区分点估计和区间估计，并用偏差、方差、一致性和效率评价估计量。

通过弦不等式和一阶条件刻画凸性，并说明局部最优为何成为全局最优。

用线段闭包定义凸集，并识别半空间、范数球和仿射集合等基本例子。

证明求导与积分在适当连续条件下互为逆运算，并连接局部变化与总累积。

用保持线性组合的映射描述旋转、缩放、剪切和投影，并由基确定矩阵表示。

把多个线性约束写成矩阵方程，分析无解、唯一解和无穷多解的条件。

用系数组合一组向量，判断一个目标向量是否能够由给定生成集合表示。

把向量理解为可加、可缩放的方向与状态表示，并连接坐标、几何和高维数据。

给空间中每一点分配一个向量，用于描述速度场、力场和梯度场。

用封闭性公理刻画向量空间，并检验解集、函数集和矩阵集是否构成子空间。

计算向量加法、数乘、范数和内积，并解释长度、夹角与相似度的几何意义。

把行列式解释为有向体积缩放因子，并用零行列式识别不可逆变换。

用分段、余弦、指数或预热策略控制训练不同时期的更新尺度。

用梯度为零、方向导数和次梯度条件判断无约束候选最优点。

由 Lagrangian 构造对偶函数，理解弱对偶、强对偶和对偶间隙。

在等式或不等式可行域内寻找最优解，并区分可行方向和活跃约束。

通过张成集和线性无关选择最小坐标系统，理解维数为何不依赖具体基。

通过二次型和特征值判断矩阵是否在所有非零方向产生正曲率。

把向量分解到子空间及其正交补上，并推导投影矩阵与最小距离性质。

用零内积表达方向独立性，并理解正交基如何简化坐标、长度和数值计算。

组织直接证明、反证法、逆否证明和构造证明，明确假设与结论之间的推理链。

构造具有指定长期覆盖率的随机区间，并避免把覆盖率误解为参数后验概率。

解释大量独立微小贡献的标准化和为何趋近正态分布，并明确所需条件。

按参数历史梯度尺度调节有效学习率，比较 AdaGrad、RMSProp 和 Adam 的假设。

通过排列、组合和计数原理计算有限等可能样本空间中的事件概率。

把观测数据在模型参数下的概率视为目标函数，并求使其最大的参数。

把不相容线性方程转化为残差平方最小问题，并由投影推导正规方程。

用坐标、距离、斜率和曲线方程把平面几何对象转化为可计算的代数关系。

将条件概率方向反转，用先验、似然和证据计算后验概率。

逐步移除已有方向分量，把线性无关向量组转化为正交或标准正交基。

用二阶偏导矩阵描述标量函数的局部曲率，并分析极值点附近的方向结构。

用一阶偏导矩阵表示多输入多输出映射的最佳局部线性近似。

用乘子把等式约束并入目标函数，并从梯度平行关系推导候选解。

用复频率积分把微分方程转化为代数方程，并系统处理初始条件。

用状态转移矩阵描述无记忆随机演化，并分析平稳分布和长期行为。

通过随机采样近似期望和积分，并用方差与有效样本量评价误差。

利用 Hessian 曲率修正梯度方向，理解二次收敛、阻尼和矩阵求解成本。

研究带权自伴二阶边值问题，建立正交本征函数、实本征值和函数展开。

以一点处的导数构造多项式局部近似，并用余项控制截断误差。

把复杂波形分解为单频模式，并观察频谱如何控制传播、干涉和色散。

用振幅、周期、频率、波长、相位和波速定量描述行波的时空结构。

区分固定端、自由端和周期边界，并判断反射相位与允许解族。

说明线性方程解的线性组合仍是解，并用干涉现象展示振幅的相加与相消。

从封闭系统内力成对抵消推导总动量守恒，并分析碰撞与质心运动。

用点源响应构造线性微分方程的受迫解，并把边界条件编码进核函数。

由力沿路径的积分定义功，并用势能和动能追踪保守系统的状态变化。

由线性回复力推导正弦时间演化，并用振幅、相位和固有频率描述状态。

把线性系统的运动分解为独立本征振型，并由边界条件量化允许频率。

用投影概率和测后态更新描述理想测量，并区分统计预测与单次结果。

用复向量或波函数表示量子系统状态，并以归一化和相位等价约束物理预测。

用升降算符或微分方程求离散能谱，连接经典振动与量子零点能。

把多个相互作用振子的方程写成矩阵系统，并用本征向量分解简正模。

用频率与波数之间的关系判断相速度、群速度以及波包是否发生展宽。

用自伴线性算符表示可观测量，并由本征值和期望值连接测量结果。

在零边界波函数条件下求解定态 Schrödinger 方程，得到离散能级和正弦本征态。

从受张力弦的局部受力推导双曲型偏微分方程，并连接波速与传播解。

用位置、速度和加速度描述质点运动，不预设产生运动的具体相互作用。

由相向传播的同频波叠加得到节点和腹点固定的空间振型。

用广义坐标和共轭动量的一阶方程描述相空间演化，并连接守恒量。

以作用量驻值推导广义坐标方程，把约束和对称性纳入力学描述。

把合力与动量变化联系起来，并明确惯性系、质量和作用反作用的适用条件。

用 Hamilton 算符生成量子态的时间演化，并区分含时与定态方程。

用 Euler 和 Runge–Kutta 方法推进初值问题，并分析稳定性、阶数和步长。

把问题分解为规模更小的同类问题，并用基例和调用栈保证计算终止。

通过残差更新逐步逼近大型稀疏线性系统的解，并用谱性质判断收敛。

通过重叠子问题和最优子结构复用中间结果，构造自顶向下或自底向上的算法。

理解有限二进制表示、机器精度、消去误差和条件数对计算可靠性的影响。

把空间与时间离散组合为可计算更新，检查一致性、稳定性和收敛性。

用求积公式近似定积分，并根据光滑性和网格细化估计误差。

用有限差分近似导数，并平衡截断误差、舍入误差和步长选择。

用渐近记号比较算法随输入规模增长的时间和空间成本，并区分最坏与平均情况。

在节点和边结构上执行遍历、最短路和拓扑排序，分析可达性与依赖关系。

在离散网格上用差分替代导数，构造微分方程的代数近似。

从弱形式和局部基函数组装离散系统，用网格逼近复杂区域上的边值问题。

把程序拆为基本运算图，通过前向或反向累积精确应用链式法则。

用可学习近似后验和重参数化梯度优化证据下界，形成连续潜在空间。

分析权重尺度如何影响前向方差和反向梯度，理解 Xavier 与 He 初始化。

让层学习相对恒等映射的残差，改善深层网络的信息与梯度传播。

以大规模自回归 Transformer 建模文本分布，并区分预训练、对齐和推理阶段。

学习对数密度关于数据的梯度，避免显式计算归一化常数并连接去噪目标。

通过拉近匹配样本表示并推远不匹配样本，学习具有语义结构的嵌入空间。

对齐文本、图像、音频等不同表示空间，并通过共享或交叉注意力融合信息。

将输入映射为两个类别的概率或得分，并用决策阈值和混淆矩阵评价结果。

沿计算图反向应用链式法则，高效累计标量损失对共享参数的梯度。

从线性阈值单元出发堆叠仿射变换和非线性激活，形成可学习的前馈网络。

用可逆变换和 Jacobian 行列式把简单密度映射为复杂密度，同时保留精确似然。

分析训练误差与未见样本误差的差距，识别模型容量、数据量和分布偏移的作用。

用正定核隐式计算高维特征空间内积，构造非线性分类和回归模型。

用路由器为每个输入选择少量专家子网络，在计算受控时扩展参数容量。

比较 sigmoid、tanh、ReLU 等逐元素非线性对表达能力、梯度传播和稀疏性的影响。

组合多个基学习器降低方差或偏差，比较 bagging、随机森林和 boosting。

把复合函数表示为基本运算节点和依赖边，为局部导数与反向累积建立结构。

从带标签样本学习输入到目标的预测规则，并区分训练目标、验证选择和测试评估。

用有限样本上的平均损失近似总体风险，并明确假设空间和优化误差。

用局部连接和权重共享提取平移结构特征，并逐层扩大感受野。

递归选择特征划分样本空间，并用纯度、深度和剪枝控制拟合复杂度。

学习逐步去除噪声的逆过程，从简单噪声分布生成高维数据样本。

以线性得分和 sigmoid 构造二分类概率模型，并用对数似然训练参数。

按任务选择准确率、精确率、召回率、ROC 或回归误差，并避免训练集评估偏差。

以未归一化能量函数为数据赋分，并通过采样或对比方法学习低能量区域。

利用小批量统计量标准化中间激活，并区分训练与推理阶段的统计处理。

把平方预测误差分解为系统偏差、样本波动与不可约噪声，解释模型复杂度权衡。

引入不可直接观测的随机变量解释数据结构，并通过边缘化连接隐变量与观测。

把反向传播梯度交给小批量、动量和自适应优化器，并监控训练稳定性。

让生成器与判别器进行极小极大博弈，以隐式方式逼近数据分布。

学习数据联合分布或生成过程，使模型能够采样、补全、重建并估计不确定性。

用可计算标量衡量预测与目标的差异，并区分平方损失、交叉熵和任务指标。

通过邻域消息传递更新节点表示，并用置换不变聚合处理非欧氏结构。

向无序的注意力计算注入序列位置信息，比较正弦、学习式和相对位置方案。

用输入特征的线性组合预测连续目标，并由最小二乘估计参数。

根据顺序依赖分解联合概率或条件预测，处理可变长度输入与因果掩码。

用递归隐藏状态处理序列，并以门控机制缓解长期依赖中的梯度衰减。

通过参数惩罚、数据增强或早停限制有效模型复杂度，以改善泛化。

通过最大化分类间隔学习决策超平面，并由支持向量决定最终边界。

寻找数据协方差最大的正交方向，并用低秩投影压缩和去噪。

根据 query 与 key 的相关性计算归一化权重，再加权汇聚 value 表示。

用编码器压缩输入并由解码器重建，学习受瓶颈或正则约束的表示。

按变量顺序分解联合分布，通过逐步条件预测实现精确似然与序列采样。

从数据本身构造预测或对比任务，学习可迁移表示而不依赖人工标签。

让同一序列产生 query、key、value，使每个位置按内容动态聚合其他位置。

组合多头自注意力、前馈网络、残差与归一化，构成并行序列建模架构。

区分参数、观测和模型误差，并传播其分布以给出校准的预测区间。

把输入函数映射为输出函数，区分有限维参数拟合与无限维算子学习。

把可解释科学模型、观测数据和学习算法组合，用于反演、预测与加速计算。

让数值模拟器对参数可微，以梯度方法进行系统辨识、控制和逆问题求解。

学习函数空间之间的映射，使模型能够跨输入场和网格近似一族算子解。

把微分方程残差、边界条件和数据误差共同写入损失函数，近似场的解。

从观测与干预中学习能稳定表达生成因素和因果机制的潜在表示。