← 返回四年学习地图 第 1 学期 · 2026 秋
电子信息工程(实验班) · 大一上 · 必修 21 学分

大一上:先把高数和AI 导论学明白

高等数学Ⅰ有 6 学分 96 学时,是全方案单门最重的课,后面电路、信号、控制全靠它。人工智能导论是 AI 方向的第一块砖,它的核心其实就是高数里的导数。下面每个知识点都配了要点、公式、记忆法和一张能拖动的图。

按学分比例显示,点击跳到对应部分合计 21
This semester

本学期 11 门课

精力分级沿用学习地图的 A/B/C:A 级重投入,B 级稳过,C 级高效通过。课外时间建议约 70% 给高数。

课程学分学时考核级别本学期怎么学
高等数学(Ⅰ)696考试A每天都要碰。课后 24 小时内做题,每章做一张自己的公式卡
人工智能导论A232考试B理解概念图谱;4 学时实验认真做,顺便装好 Python
大学英语(Ⅱ)348考试B每天 20 分钟单词+1 篇阅读,目标本学年过四级
中国近现代史纲要2.540考试C画一条时间线,抓因果;考前两周集中整理
军事理论232考试C留意雷达、北斗、电子战这些和专业相关的内容
电子工艺实习22 周考查B焊接、装配、读原理图,是整个专业动手的起点
体育(Ⅰ)132考试C找一项能坚持四年的运动
大学生心理素质教育(Ⅰ)116考试C学时间管理和压力管理,正好用在适应大学节奏上
专业导论116考查C记下各方向的名字和去向,大三选方向时会用到
形势与政策0.58考查C关注科技和产业政策专题
职业发展08考试C了解本专业主要去向:嵌入式、硬件、IC、测试、考研
Advanced Mathematics I · 6 学分 · 96 学时

高等数学Ⅰ:一条主线,七个站

高数上册的内容其实是一条链:极限是地基,导数是"局部变化率",积分是"累积量",两者互为逆运算,最后用它们解微分方程。章节按常用教材(同济版上册)排列,具体以任课老师的进度为准。

第 1 章 · 函数与极限

极限:在 x→0 附近,谁和谁"长得一样"

极限描述的是"无限靠近时的趋势",而不是"等于"。整本高数的严谨性都建在它上面。

  • 先会算,再懂定义:四则运算、两个重要极限、等价无穷小替换、洛必达(第3章)
  • ε-δ 定义不用一开始就啃透,先理解"想要多近,就能找到多近"
  • 连续 = 极限值等于函数值;间断点分类(可去、跳跃、无穷、振荡)常考
  • 无穷小的阶:谁趋于 0 更快,比值就趋于 0
两个重要极限
x→0 时的等价无穷小(乘除可替换,加减慎用)
记忆法:右图把这几条曲线画在一起。拉近到原点附近,它们全部贴在 y = x 上,这就是"等价"的意思。记住这一幅画面,等价无穷小表就不用死背。

易错:等价无穷小只能在乘除中整体替换。像 这种相减的式子直接替换成 x − x = 0 就错了,正确结果是 。

拉近原点,看曲线怎么"合体"拖动滑块改变视野
第 2 章 · 导数与微分

导数:割线转成切线的那一瞬间

导数就是"瞬时变化率"。几何上是切线斜率,物理上是速度,电路里是电流 。

  • 定义:割线斜率在 h→0 时的极限,求分段函数在分界点的导数必须用定义
  • 可导 ⇒ 连续,反过来不成立(|x| 在 0 处连续但不可导)
  • 求导四件套:四则法则、复合函数链式法则、隐函数、参数方程
  • 微分 :用切线代替曲线做近似计算
导数的定义
链式法则(最常用)
记忆法:链式法则像"剥洋葱",从外往里一层层求导再相乘。例如 :外层 sin 求导得 cos(x²),再乘里层 x² 的导数 2x。
把 h 拉到 0:割线 → 切线选函数、拖 x₀ 和 h
第 3 章 · 微分中值定理与导数的应用

泰勒公式:用多项式"假扮"任何函数

这一章分两块:中值定理(罗尔 → 拉格朗日 → 柯西)用来证明,导数应用(单调、极值、凹凸、洛必达、泰勒)用来计算。

  • 拉格朗日:曲线上总有一点的切线平行于两端连线
  • 洛必达:0/0 或 ∞/∞ 型才能用,用前先检查类型,能先化简就先化简
  • 单调看 f′ 的符号,凹凸看 f″ 的符号,拐点是 f″ 变号的点
  • 泰勒公式把函数展开成多项式,阶数越高,贴合范围越大
麦克劳林展开(x₀ = 0)
记忆法:sin 是奇函数,只有奇数次项;cos 是偶函数,只有偶数次项;正负号交替。ex 的每一项都是 xⁿ/n!,全是正号。等价无穷小其实就是泰勒展开只保留第一项。

联系专业:模电里"小信号模型"就是在工作点做一阶泰勒展开,把非线性的晶体管当成线性元件来算。

增加阶数,看多项式怎么贴上去选函数、拖阶数
第 4–5 章 · 不定积分与定积分

定积分:无数个细长条加起来

不定积分是"求导的逆运算",定积分是"曲线下的面积"。牛顿–莱布尼茨公式把两者连在一起,是整个微积分最重要的一行。

  • 不定积分三大方法:凑微分(第一换元)、第二换元(三角代换)、分部积分
  • 定积分的定义:分割、近似、求和、取极限,右图就是这四步
  • 变上限积分 ,常和洛必达一起考
  • 奇函数在对称区间上积分为 0,偶函数可以取一半乘 2
牛顿–莱布尼茨公式
分部积分
记忆法:分部积分选 u 的顺序口诀是"反对幂三指":反三角函数、对数函数、幂函数、三角函数、指数函数,越靠前越优先当 u。例如 ,幂函数排在指数前面,所以 u = x。
增加矩形数 n,近似值逼近真实面积选函数、取样方式和 n
第 6 章 · 定积分的应用

微元法:先写一小块,再积起来

所有应用题都是同一个套路:找一个微小的量 dA、dV 或 dW,写出它的表达式,再在区间上积分。

  • 平面面积:上曲线减下曲线,
  • 旋转体体积:圆盘法
  • 弧长、变力做功、液体压力:先画图标出微元,再列式
记忆法:微元法三步,"取一条、写一条、加起来"。考试时先在草稿上画出那一条细长条,表达式基本就出来了。

联系专业:电容储能 ,就是"把电荷一点点搬上去"的微元法。

交流电的有效值:也是一道积分题拖动看 i² 曲线下的面积

有效值定义为 。对正弦电流积满整周期,结果正好是峰值的 ,家里 220V 就是这么来的。

第 7 章 · 微分方程

微分方程:知道"怎么变",反推"是什么"

方程里出现了未知函数的导数,就是微分方程。大二电路课的一阶暂态分析,用的就是这一章。

  • 可分离变量:把 y 和 x 分到等号两边,各自积分
  • 一阶线性 :背通解公式或用常数变易法
  • 二阶常系数齐次:写特征方程 ,按根的三种情况套通解
  • 非齐次:通解 = 齐次通解 + 一个特解
RC 充电电路
记忆法:二阶常系数看特征根:两个不等实根 → 两个指数相加;重根 → 指数乘 (C₁ + C₂x);共轭复根 → 指数乘 (cos + sin)。对应电路里的过阻尼、临界阻尼、欠阻尼。
RC 充电:τ 越大,充得越慢拖动 R、C
Cheat sheet

高数速记卡

考前最后过一遍的内容。建议自己再手抄一遍,抄的过程本身就是记忆。

基本求导公式

基本积分公式

把左边那张卡反过来读就是这张,别分开背。

求导法则

商的法则口诀:"上导下不导,减去下导上不导,除以下平方"。

洛必达使用三问

① 是 0/0 或 ∞/∞ 吗?
② 能先用等价无穷小化简吗?
③ 求导后极限存在吗?

其他未定式(0·∞、∞−∞、1∞、00、∞0)先变形成 0/0 或 ∞/∞,幂指型取对数。

一阶线性方程通解

记法:先求齐次解 ,再把 C 换成待定函数 C(x) 代回去,这就是常数变易法。

函数图形五步

① 定义域、奇偶性、周期
② f′ = 0 和不可导点 → 单调与极值
③ f″ = 0 → 凹凸与拐点
④ 渐近线(水平、垂直、斜)
⑤ 列表,描点连线
Introduction to AI A · 2 学分 · 32 学时(理论 28+实验 4)

人工智能导论:先建地图,再看细节

这门课的任务是把 AI 的概念图谱搭起来,为后面的机器学习、AI 赋能智能电子打底。要点按常见导论课的结构整理,具体以任课老师的大纲为准。

概念套娃:AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 大模型

  • 人工智能:让机器做需要"智能"的事,包括搜索、推理、规划、学习
  • 机器学习:不手写规则,而是从数据里学出规律
  • 深度学习:用多层神经网络自动提取特征
  • 大模型:在海量数据上预训练的超大神经网络,例如基于 Transformer 的语言模型
记忆法:AI 三要素是数据、算法、算力。机器学习三类:有标准答案的叫监督学习,没答案自己找结构的叫无监督学习,靠试错拿奖励的叫强化学习。
人工智能 AI 搜索 · 知识表示 · 推理 · 专家系统 · 规划 机器学习 ML 线性回归 · 决策树 · SVM · k-NN · 聚类 深度学习 DL CNN(图像) · RNN(序列) · Transformer 大模型 LLM 预训练 + 微调 + 对齐
1956达特茅斯会议

"人工智能"一词诞生

1970s第一次寒冬

算力不足,承诺无法兑现

1980s专家系统

把专家知识写成规则

1990前后第二次寒冬

规则难维护、难扩展

2012AlexNet

深度学习在图像识别上突破

2016AlphaGo

深度学习+强化学习下赢围棋

2017Transformer

大模型的基础结构

2022 起大模型时代

ChatGPT 等通用对话模型

记法:"三起两落"。每次寒冬都是因为期望超过了当时的数据和算力,每次复兴都伴随着新方法加上更强的算力。

神经网络 · 神经元

一个神经元:加权求和,再过一道"开关"

神经网络由大量神经元组成。每个神经元做的事情很简单:输入乘权重相加,加上偏置,再经过激活函数输出。

单个神经元
  • 权重 w 决定"看重哪个输入",偏置 b 决定"多容易被激活"
  • 单个神经元只能画一条直线来分类(线性可分);异或问题需要多层
  • 常见激活函数:Sigmoid 输出 0–1,ReLU 是 max(0, z),计算简单、用得最多
记忆法:把神经元想成一个"投票器":每个输入投票,权重是票的分量,偏置是门槛,激活函数决定最后亮不亮灯。右图的分界线就是 ,拖动权重看它怎么转。
调权重,让分界线分开两类点颜色深浅表示输出值
机器学习 · 怎么"学"

梯度下降:AI 学习,靠的就是高数里的导数

"学习"就是调参数让损失函数变小。导数告诉我们往哪个方向调、调多少,这就是梯度下降。

梯度下降更新规则
  • 损失函数 L 衡量预测和真实答案差多远,常用均方误差
  • 学习率 η 太小:走得慢;太大:来回震荡,甚至越走越远
  • 可能停在局部最小值,而不是全局最小值
  • 神经网络训练的反向传播,本质就是链式法则
记忆法:蒙着眼下山:用脚感受坡度(导数),往下坡方向迈一步(减号),步子大小是学习率。右图把 η 调大到 0.9 以上,就能看到"步子太大"来回跳。
小球沿损失曲线下山调学习率,点"走一步"或"自动"
机器学习 · 泛化

过拟合:把训练题背得太死

模型在训练数据上表现好,在没见过的数据上表现差,就是过拟合。机器学习真正要的是"泛化"。

  • 数据分三份:训练集用来学,验证集用来调参,测试集最后打分
  • 欠拟合:模型太简单,训练误差和测试误差都高
  • 过拟合:模型太复杂,训练误差很低,测试误差反而上升
  • 常用对策:更多数据、正则化、早停、Dropout
记忆法:像备考:只会做原题叫过拟合,原题都不会叫欠拟合,换个题也会才叫泛化。右图拖动多项式阶数,看两条误差曲线怎样分开。
多项式阶数越高越好吗?实心点是训练集,空心点是测试集

机器学习流程

1 收集与清洗数据
2 特征工程
3 选模型
4 定义损失函数
5 优化(梯度下降)
6 在测试集上评估

分类评价指标

准确率
精确率
召回率

精确率问"说是的里面有多少真是",召回率问"真是的里面找出了多少"。

和本专业的连接

高数导数 → 梯度下降、反向传播
线性代数(大一下)→ 神经网络的矩阵运算
概率论(大二)→ 不确定性与分类
嵌入式(大三)→ 模型部署到芯片

实验课准备

本课有 4 学时实验。提前装好 Python(推荐 Anaconda 或 Jupyter),会运行一个 .ipynb 文件、会用 print 和 for 循环就够上手。这也是在补培养方案里缺的 Python 课。

Other courses

其他课程:高效通过

B3 学分

大学英语(Ⅱ)

每天 20 分钟单词(碎片时间用 App),每周 2 篇真题阅读。从现在开始积累电子类词汇:resistor、capacitor、datasheet、voltage 等,后面读手册用得上。

C2.5 学分

中国近现代史纲要

在一张纸上画 1840–1949 的时间线,每个事件只写"原因 → 结果"。重点关注近代工业和科技发展的脉络,考前两周按时间线复习。

C2 学分

军事理论

课上认真听,考前整理框架即可。雷达、北斗、电子对抗这部分和电子信息专业直接相关,可以多看一点。

B2 周

电子工艺实习

学会焊接、认元件(色环电阻、电容极性)、读原理图。实习结束后买一套便宜的焊接套件在宿舍再练一次,为大二竞赛打基础。

C1 学分

专业导论

听完每次讲座,记下一句话:这个方向做什么、需要学哪些课。学期末对照学习地图,初步想想自己更偏嵌入式还是芯片。

C体育·心理·形策·职业

体育 · 心理 · 形势与政策 · 职业发展

体育找一项长期运动;心理课学的时间管理方法直接用在本页的每周节奏上;形策和职业发展留意科技产业政策和本专业去向。

Weekly rhythm

一周课外时间怎么分

这是一份参考模板,课外每天约 2–3 小时。具体按自己的课表调整,原则是高数每天都碰、周日复盘。

周一
高数:复习当天+5 题
英语单词 20′
周二
高数:复习+5 题
AI 导论:整理笔记
周三
高数:复习+5 题
英语阅读 1 篇
周四
高数:错题重做
Python 30′
周五
高数:复习+5 题
近代史时间线
周六
高数:本周公式卡
AI:玩本页的交互图
运动
周日
复盘 15′:哪门跟不上?
间隔复习上周内容

期中前后

高数第 1–2 章(极限、导数)一般是期中范围。这两章的计算必须熟练,后面每一章都要用。

寒假衔接

第 2 学期约 32 学分,是全方案最重的学期。寒假提前看高数Ⅱ(多元微积分、级数)和 C 语言的前几章,开学会轻松很多。

推荐资源

3Blue1Brown《微积分的本质》(B站有中文字幕),先看直觉再做题。AI 方面可以看吴恩达的机器学习入门课的前几讲。

这是四年学习地图的第一站。想看后面七个学期怎么走、每门课的重点和企业需求,回到总地图。

打开四年学习地图 →