20
Jul
[更正]一道经典不等式的美妙证明
By 苏剑林 | 2011-07-20 | 22653位读者 | 引用在数学竞赛中，很多题目都专门设置了一种技巧，这种技巧在很大程度上是不怎么理所当然的，换句话说，难以“顺理成章”地想下去，或者是说方法不成系统的，这也是我有点不喜欢数学竞赛题目的一个原因。当然，另一方面，个人认为数学竞赛比物理竞赛更能锻炼一个人的思维能力，尤其是在抽象思维以及几何想象能力等，因此做一些这样的题目也会有好处的。
下面就是一道很经典的竞赛题，它是在韩国举行的第42届IMO中的题目：
设a,b,c都是正实数，求证：
$\frac{a}{\sqrt{a^2+8bc}}+ \frac{b}{\sqrt{b^2+8ac}} + \frac{c}{\sqrt{c^2+8ab}} \geq 1$
13
Jan
混沌的世界——“星之轨迹”的研究
By 苏剑林 | 2012-01-13 | 37302位读者 | 引用（本文已被刊登在2012年1月的《天文爱好者》上，于笔者而言这是一份很棒的新年礼物！）
在去年第七期《天爱》上，我们看到了N体问题所呈现出来的一些对称、漂亮的周期轨道，这体现了N体问题和谐有序的一面。但是这仅仅是N体问题的冰山一角，笔者也提到过N体问题的本质是混沌、无序的，通俗来讲就是非常乱，无法用数学方程来精确描述。这看起来是一种不完美。但试想，探索当初伽利略将望远镜对准月球后，看到的是如想象中光滑的月面，那么他还会惊叹宇宙的神奇吗？
本文就让我们来更深入地了解一下N体问题的研究历史。
观测&拟合时代
由于人类的自我优越感以及日月星辰东升西落的经验，让我们长期都认为地球是宇宙的中心。第一个比较系统提出地心说的人当属天文学家欧多克斯（Eudoxus，死于公元前347年左右），但他的地心说是非常粗糙的，以至于无法解释很多基本现象，如无法准确预言日食和解释行星逆行等。但亚里士多德接受了地心说，并且由于他在政治和科学上的权威，使地心说免去了夭折的命运。后来托勒密通过他的本轮，完善了地心说，使之延续到了16世纪。
16
Oct
相对论和量子力学的初探
By 苏剑林 | 2012-10-16 | 32459位读者 | 引用=====大学学习=====
上大学已经一个多月了，除去军训的两周和国庆放假的一周，到现在已经是第三周上课了。我是数学专业的，由于是那个勷勤创新班，它希望我们都向研究型数学的方向发展，所以给我们“更多的自由研究时间”，所以课程比一般的班还少一点。由于高中已经对高等数学有个大概的了解，所以一开始让很多同学都喊苦的数学分析、解析几何于我而言都还是比较容易接受的。但从另外一个角度上来讲，我感觉我学得快的原因，倒不全是以前的积累，而是因为个人的学习方式。我不喜欢跟着老师的步伐走，我喜欢而且需要深入地思考和理解一个问题，希冀达到一理通百理明的效果，而不是做完一题紧接着下一题。因为我认为这种竞赛式的学习不能给我们带来实质性的进步，而且有可能抹杀了我们的创造力。
1979年爱因斯坦邮票
没有应用的数学是很枯燥乏味的，数学不能脱离物理、化学等领域。当然“应用”这个词有很广泛的意思，它不一定在实际生活中起到了立竿见影的作用，而是所有在非数学领域中体现了数学之美的例子都可以叫做数学应用，或者有趣的数学。所以，在经历了一两周纯粹地研究数学之后，我感觉我不能再这样下去了，与其零散地涉猎各个方面的知识，倒不如现在开始就系统地学习一些学科以外的科学知识。于是，我决定重拾高中还没有完成的事情——学习相对论和量子力学——所谓现代物理的两大支柱。
27
Dec
费曼路径积分思想的发展(四)
By 苏剑林 | 2012-12-27 | 37025位读者 | 引用4、量子场论中的泛函方法
路径积分出现之初，大多数物理学家反映都很冷淡，甚至怀疑它的正确性。这一方面是对路径积分方法的陌生与误解所致。在泊珂淖会议上，玻尔就把费曼图误解成粒子运动的轨迹，并对之进行了尖锐的批评。（[19]，P.459)另一方面，费曼并没有用公理化的方法，从作用量或拉格朗日量出发系统地推导出费曼规则，他是靠经验、猜测、检验和比较来给出与各种图相应的规则的。尽管如此，费曼却能把他的方法推广到当时热门的介子理论，并且只需一个晚上就可解决他人用正则哈密顿方法要用几个月的时间才能解决的问题。费曼方法的有效性，使戴逊大为惊讶，并促使他相信路径积分“必定是根本上正确的”（[1]，P.54）理论。随之，戴逊便决定把“理解费曼（的思想)并用一种他人能理解的语言来加以阐述”（[1]，p.54）作为自己的主要工作。1948年，戴逊成功地证明了朝永振一朗、施温格和费曼三人的理论“在其共同适用领域内”[25]的等价性。费曼的粒子图像的路径积分方法由此改头换面，变成了场论形式的泛函积分方法。
22
Jun
文本情感分类（一）：传统模型
By 苏剑林 | 2015-06-22 | 217522位读者 | 引用前言：四五月份的时候，我参加了两个数据挖掘相关的竞赛，分别是物电学院举办的“亮剑杯”，以及第三届 “泰迪杯”全国大学生数据挖掘竞赛。很碰巧的是，两个比赛中，都有一题主要涉及到中文情感分类工作。在做“亮剑杯”的时候，由于我还是初涉，水平有限，仅仅是基于传统的思路实现了一个简单的文本情感分类模型。而在后续的“泰迪杯”中，由于学习的深入，我已经基本了解深度学习的思想，并且用深度学习的算法实现了文本情感分类模型。因此，我打算将两个不同的模型都放到博客中，供读者参考。刚入门的读者，可以从中比较两者的不同，并且了解相关思路。高手请一笑置之。
基于情感词典
人的最简单的判断思维
1
Dec
“熵”不起：从熵、最大熵原理到最大熵模型（一）
By 苏剑林 | 2015-12-01 | 78449位读者 | 引用熵的概念
作为一名物理爱好者，我一直对统计力学中“熵”这个概念感到神秘和好奇。因此，当我接触数据科学的时候，我也对最大熵模型产生了浓厚的兴趣。
熵是什么？在通俗的介绍中，熵一般有两种解释：（1）熵是不确定性的度量；（2）熵是信息的度量。看上去说的不是一回事，其实它们说的就是同一个意思。首先，熵是不确定性的度量，它衡量着我们对某个事物的“无知程度”。熵为什么又是信息的度量呢？既然熵代表了我们对事物的无知，那么当我们从“无知”到“完全认识”这个过程中，就会获得一定的信息量，我们开始越无知，那么到达“完全认识”时，获得的信息量就越大，因此，作为不确定性的度量的熵，也可以看作是信息的度量，说准确点，是我们能从中获得的最大的信息量。
最近评论