Gains :
- Capacité à visualiser des fonctions, des intersections et des données en imprimant le code Matplotlib sur l'intelligence artificielle et en exécutant le code, et à choisir le type de graphique approprié à cet effet.
- Possibilité de vérifier si un graphique reflète correctement les mathématiques en le comparant avec les propriétés connues de la fonction, la plage des axes, les asymptotes et au moins un calcul de points.
- Capacité à localiser visuellement les racines et les intersections en utilisant la visualisation comme outil de vérification et à fournir des points de départ précis pour les méthodes numériques
Un graphique raconte plus d’un millier d’équations. Voir visuellement comment une fonction se comporte, où se trouvent ses racines, où deux courbes se croisent ou comment les données sont distribuées est l'un des moyens les plus puissants de comprendre et de vérifier les mathématiques. La visualisation mathématique est la représentation visuelle d'objets mathématiques (fonctions, données, formes géométriques) avec des graphiques. L'outil standard pour cela en Python est la bibliothèque Matplotlib. Dans cette unité, vous apprendrez à utiliser l'IA comme assistant générant du code de visualisation et, plus important encore, à vérifier que le graphique reflète correctement les mathématiques.
La visualisation est également un outil de vérification. Nous l'avons vu dans l'unité précédente : tracer graphiquement la racine d'une équation avant de la trouver numériquement montre approximativement où se trouve la racine et donne une estimation de départ précise. Voir le graphique de la fonction avant un calcul intégral permet de comprendre si le signe du résultat (zone positive/négative) a du sens. Le graphique demande : « ce résultat a-t-il un sens ? » C'est la réponse visuelle à la question.
Principales utilisations de la visualisation en mathématiques
- Comportement de la fonction : régions croissantes/décroissantes, maximums/minimums, asymptotes d'un f(x).
- Recherche de racines et d'intersections : les endroits où la courbe croise l'axe des x (racines), l'intersection de deux courbes.
- Aire/intuition intégrale : Représentation visuelle de l’aire sous la courbe.
- Distribution des données : histogramme, nuage de points, boîte à moustaches.
- Géométrie : Triangles, cercles, transformations.
- Support de cours : Expliquer visuellement un concept aux étudiants.
Étape par étape : produire des graphiques précis avec l'IA
1. Soyez clair sur ce que vous voulez montrer. "Dessiner sin(x)" ne suffit pas ; "Tracer sin(x) dans la plage [−2π, 2π], avec les axes étiquetés et la grille" est préférable.
2. Écrivez le code Matplotlib dans l'IA. Demandez le code, pas l'image de sortie ; Vous exécutez le code et voyez le graphique.
3. Comparez le graphique aux mathématiques. Le graphique montre-t-il les propriétés connues de la fonction ? sin(x) doit osciller entre −1 et 1 ; une parabole doit être symétrique ; une fonction exponentielle doit augmenter rapidement. Si le graphique ne les affiche pas, il y a une erreur dans le code.
4. Vérifiez la plage des axes. Un espacement incorrect peut masquer une racine ou un comportement important. Assurez-vous qu'il couvre la région intéressante de la fonction.
5. Vérifiez l'étiquette et l'échelle. Les axes sont-ils étiquetés ? L'échelle (linéaire/log) est-elle correcte ? Une échelle trompeuse donne une fausse impression.
6. Confirmez avec un point numérique. Si le graphique montre f(2)≈3, vérifiez-le par calcul. Le graphique peut mentir (si la mauvaise fonction est dessinée).
Astuce : Après avoir dessiné un graphique, vérifiez-le en calculant indépendamment au moins un point dessus. Si le graphique montre y=1 à x=0, calculez f(0) manuellement. S'ils correspondent, la fonction correcte a probablement été dessinée ; Si cela ne correspond pas, l’IA a peut-être codé une mauvaise expression.
Résolution et échantillonnage : où se situe le graphique
Un tracé Matplotlib n’est pas réellement une courbe continue ; Il calcule la fonction en un nombre fini de points et relie ces points par des lignes droites. Le nombre de ces points est appelé résolution d’échantillonnage. Si la résolution est faible (par exemple seulement 10 points générés avec linspace dans NumPy), une fonction d'oscillation rapide (par exemple sin(50x)) peut sembler complètement fausse dans le graphique — la plupart des pics et des creux se situent entre les deux points d'échantillonnage et disparaissent. C'est ce qu'on appelle l'aliasing en traitement du signal. L’IA écrit parfois du code qui produit un petit nombre de points ; Le résultat est un graphique fluide mais trompeur.
L'antidote est simple : maintenez le nombre de points d'échantillonnage élevé dans les fonctions à évolution rapide (par exemple np.linspace(a, b, 1000)). De plus, si un graphique a une apparence angulaire, dentée ou irrégulière à laquelle vous ne vous attendez pas, il s'agit souvent d'un effet secondaire de la faible résolution et non du comportement réel de la fonction ; Augmentez le nombre de points et vérifiez si le graphique change. Si le graphique change de manière significative avec le nombre de points, vous ne voyez pas encore la véritable forme de la fonction.
Attention : un graphique à basse résolution peut complètement dénaturer une fonction à oscillation rapide, voire correspondre à un modèle qui n'existe pas. Lorsque vous dessinez un graphique critique, choisissez délibérément un nombre élevé de points d'échantillonnage et vérifiez que le graphique reste stable à mesure que vous augmentez le nombre de points.
Sélection du type de graphique
Objectif
graphique approprié
Fonction Matplotlib
Courbe de fonction
graphique linéaire
tracé()
points de données
Nuage de points
dispersion()
diffusion
histogramme
hist()
Relation à deux variables
Dispersion + courbe
plot() + scatter()
Comparaison catégorielle
graphique à barres
barre()
Surfaces/3D
Surface 3D
plot_surface()
trois mini-cases
Cas 1 — Racine cachée. Un étudiant a fait tracer un graphique pour voir les racines d'un polynôme, mais a choisi la plage de l'axe YZ [−1, 1] ; alors que les racines étaient autour de x=3 et n'étaient pas du tout visibles sur le graphique. L'élève demande « est-ce que cette fonction n'a pas de racine ? Il fut surpris, puis lorsqu'il changea l'espacement en [−5, 5], les racines apparurent. Leçon : un mauvais espacement cache les mathématiques.
Cas 2 — Fonctionnement incorrect. Un enseignant voulait faire dessiner à l'IA "cos(x²)", mais le code a écrit par erreur "cos(x)²" (c'est-à-dire cos²(x)). Les deux fonctions sont très différentes. Lorsque l’enseignant a comparé le graphique avec la valeur attendue à x=√π, il a vu qu’il ne correspondait pas et a détecté l’erreur. La place des parenthèses change tout.
Cas 3 — La vérification visuelle a pris racine. Un ingénieur a d’abord représenté graphiquement la fonction et a constaté qu’elle coupait l’axe des x à deux endroits (~1,2 et ~4,7). Grâce à ces informations visuelles, il a donné au chercheur de racines numérique des estimations initiales précises et a trouvé les deux racines avec précision. Sans le graphe, il ne pourrait que converger vers une racine. Deux racines en 5 minutes.
Quatre modèles copiables
1) Tableau des fonctions :
Écrivez un code Matplotlib qui trace la fonction [f(x)] dans la plage [a, b]. Créez un tableau x avec NumPy, étiquetez l'axe, ajoutez une grille, mettez un titre. Je vais exécuter le code ; identifier l'image. Choisissez l'espacement approprié pour que les racines/points spéciaux soient visibles.
2) Intersection de deux courbes :
Dessinez les fonctions [f(x)] et [g(x)] dans la plage [a, b] sur le même graphique. Montrez-les en différentes couleurs, ajoutez une légende. Ajustez l'espacement des axes pour que je puisse voir à peu près où se trouvent les points d'intersection.
3) Vérification visuelle + numérique :
Tracez [f(x)] ET imprimez les valeurs f réelles des 3 points d'échantillonnage (x=[values]) sur le graphique. Je peux donc comparer le graphique avec les valeurs numériques. Donnez juste le code.
4) Histogramme des données :
Écrivez du code qui trace un histogramme de la liste de données suivante : [données]. Sélectionnez le nombre approprié de plages (bacs), étiquetez les axes. Imprimez également la moyenne et l’écart type. Je vais exécuter le code.
Invite faible/Invite forte
Faible : « Tracez la fonction 1/(x−2). »
Résultat : le code peut ne pas gérer correctement l'asymptote verticale à x=2 ; Le graphique montre une ligne verticale trompeuse à x=2 et le comportement de la fonction est mal compris.
Strong : "Tracez la fonction 1/(x−2) sur la plage [−5, 5], mais affichez correctement l'asymptote verticale à x=2 : limitez les valeurs près de l'asymptote ou tracez-les en deux parties distinctes. Étiquetez les axes, marquez l'asymptote avec une ligne pointillée. "
Résultat : L'asymptote s'affiche correctement, le graphique reflète le comportement réel de la fonction.
Erreurs courantes
- Plage d’axe incorrecte. La plage qui ne couvre pas la région intéressante de la fonction (racines, sommets) obscurcit les mathématiques.
- Ignorer les asymptotes. Les asymptotes verticales dans des fonctions comme 1/x conduisent à des lignes trompeuses ; manipulation particulière requise.
- Parenthèses/erreur de notation. Les différences telles que cos(x²) et cos²(x) ne sont pas transmises correctement dans le code ; Le graphique montre une autre fonction.
- Axes sans étiquette. Ce qui est dessiné reste flou ; Il s’agit d’une grave lacune dans le matériel de cours.
- Ne confirme pas le graphique numériquement. Si le graphique trace la mauvaise fonction, seul le calcul ponctuel la détectera.
- Échelle trompeuse. La confusion échelle logarithmique/linéaire donne une fausse impression.
Attention : Ce n'est pas parce qu'un graphique est "joli" qu'il est correct. L’IA peut produire un graphique esthétiquement agréable mais mathématiquement incorrect : par exemple, elle peut dessiner la mauvaise fonction, dans la mauvaise plage ou avec une asymptote déformée. Comparez toujours le graphique avec les propriétés connues de la fonction qu'il trace et avec au moins un calcul de points.
En résumé
La visualisation est à la fois un outil d'expression et de vérification : voir visuellement le comportement d'une fonction, ses racines et ses intersections, est un moyen puissant de détecter les erreurs et de trouver des points de départ numériques précis. L'IA génère rapidement du code Matplotlib ; Vous exécutez le code, comparez le graphique aux propriétés connues de la fonction, vérifiez la plage des axes et les asymptotes et confirmez numériquement au moins un point. Un beau graphique n’est pas un graphique correct ; comparez toujours avec les mathématiques.
Tâche de candidature
Choisissez une fonction intéressante (par exemple 1/(x−2), qui a une asymptote verticale, ou un polynôme à plusieurs racines). Demandez à l'IA de dessiner le graphique avec les 1er et 3ème modèles et d'imprimer les valeurs réelles de quelques points. Exécutez le code et voyez le graphique. Comparez les caractéristiques du graphique (racines, asymptote, sommets) aux mathématiques connues de la fonction. Vérifiez au moins un point manuellement ou avec SymPy. Modifiez la plage des axes et voyez si un comportement caché apparaît.
liste de contrôle
- [ ] J'ai clairement indiqué ce que je voulais dessiner avec les espacements et les étiquettes.
- [ ] J'ai exécuté le code et j'ai vu le graphique.
- [ ] J'ai comparé le graphique avec les propriétés connues de la fonction.
- J'ai vérifié que la plage de l'axe [ ] couvre la région intéressante.
- [ ] J'ai vérifié que les points asymptote/non définis s'affichent correctement.
- [ ] J'ai confirmé au moins un point numériquement.