数学是工程与算法的底层语言。对电子与嵌入式方向的人来说，最核心的不是刷难题，而是建立用数学描述问题的能力：电路分析要用微积分与复变，信号处理要用傅里叶变换，控制要用状态空间，AI 要用线性代数与概率统计。
一句话定位
工程数学 = 把物理世界的问题翻译成方程，再用工具解出来。
知识体系
flowchart TD A[工程数学] --> B[基础] A --> C[分析与变换] A --> D[代数与概率] A --> E[数值计算] B --> B1["微积分: 极限 / 导数 / 积分"] B --> B2["线性代数: 矩阵 / 特征值"] B --> B3["微分方程"] C --> C1["傅里叶变换 FFT"] C --> C2["拉普拉斯变换"] C --> C3["Z 变换"] C --> C4["复变函数与相量法"] D --> D1["概率论"] D --> D2["数理统计与假设检验"] D --> D3["信息论: 熵 / 编码"] E --> E1["数值方法与误差"] E --> E2["优化: 梯度下降"] E --> E3["MATLAB / Python 实现"]
核心要点
- 微积分：描述「变化」的工具，导数对应变化率（电流是电荷的变化率），积分对应累积。
- 线性代数：现代工程最实用的数学。矩阵是线性变换，特征值/特征向量揭示系统的固有特性。
- 傅里叶与拉普拉斯变换：把时域问题转到频域/复频域求解，是信号处理与电路分析的核心武器。
- 复变与相量法：让正弦稳态电路分析从解微分方程变成代数运算，见 模拟电路。
- 概率与统计：处理噪声、不确定性和数据，是测量、通信与 AI 的基础。
- 数值方法：计算机不会解析求解，实际都要靠数值算法（如 FFT、牛顿迭代、梯度下降）。
- 和 AI 的关系：见 人工智能，机器学习的三大数学支柱正是线代、微积分、概率统计。
学习建议
- 结合具体场景学数学（学傅里叶就去看滤波器），比抽象推导更有效。
- 用 MATLAB / Python 把公式画出来、跑起来，建立直觉。
- 推荐读物：《数学之美》《线性代数的本质》。