六本书，把数学从试卷里拽了出来

这套书的核心思路其实很简单，不把数学当“学科”讲，而是当“工具”教。每一本都围绕着一个具体的应用方向，用 Python 把数学概念跑起来。你不再是“学完再用”，而是“一边用一边学”。
我先翻的是《利用 Python 学习数理逻辑》，这本书最特别的地方在于，它让你用代码来理解逻辑本身。以前学逻辑，命题、谓词、推理规则，都是纸上的符号推演，推完了也不知道自己到底在干什么。但书里让你亲手写一个函数去证明一个定理，那种感觉完全不一样了。你不仅要知道推理规则长什么样，还要知道它在程序里怎么跑起来。配套的渐进式编程任务集也设计得很聪明，每一道题都比上一道多一点点，不会让你一下子卡住。
然后是《利用 Python 解决数学问题》，这本书覆盖面很广，从微积分、概率统计到几何和线性代数，几乎把理工科基础的数学内容全过了一遍。但它不是一本“ Python 教程加数学例题”，而是真正把 Python 当作解决数学问题的手段来用。比如解微分方程，书里不是让你背求解公式，而是教你用代码把方程跑出来，看着数值一点点变化，你对这个方程的理解就完全不一样了。
《线性代数与优化》是我读得最慢的一本，也是收获最大的一本，这本书从机器学习的问题出发，把线性代数和最优化理论串在一起讲。奇异值分解、核方法、梯度下降、牛顿法，每一个工具都在具体问题里出现，你边学边知道它有什么用。
后面几本我翻得相对快一些，但每一本都有让我意外的地方。《Python 建模与仿真》从随机数生成和蒙特卡罗方法切入，一直讲到隐马尔可夫模型和耦合微分方程，每章都是“理论-代码-应用”的结构。《机器学习与数据科学中的优化算法》把梯度下降、随机优化这些核心算法讲得很清楚。最后一本《机器学习的数学基础》把数论、逻辑、组合数学、矩阵变换这些内容全画成了可视化的图。
六本翻完，我最大的感受是，以前学数学，学的是“答案”，这套书教的是“过程”。数学不再是纸上的推导，而是代码里跑出来的结果、图表里呈现的规律、问题被解决的那个瞬间。你不再问“学这个有什么用”，因为每一页都在回答这个问题。
如果你也跟我一样，学了很多年数学但总觉得隔着一层，不妨从这套书里挑一本感兴趣的方向翻翻。不用从头读到尾，挑一个章节，跟着代码跑一遍。你会发现，数学没那么玄，它只是一直缺一个能让你动手试的工具。