TTiti的学习笔记
知识空间

专业知识

课程笔记、统计推断、人工智能、极值理论与研究资料。

全部文件

151 篇
排序
1.2

Inbox

主要内容Inbox 临时收集区。所有 Codex 生成的内容先放这里，不要一开始就分类过细。 入口 - 全库导览 ：整个 Obsidian 库的目录说明和跳转页。 使用规则 - 未整理内容放这里。 - 每周清空一次。 - 整理后移动到 10-Projects 、 20-Knowledge 、 30-Work

76 字★★☆☆☆
1.1

全库导览

主要内容全库导览 这个页面是整个 Obsidian 库的目录索引。优先从这里判断内容应该放到哪里，再进入对应目录继续整理。 快速入口 - ../Home 首页 - README 00-Inbox 使用说明 - ../05-Courses/学习总览 学习总览 - ../20-Knowledge/跨课程连接/知

1,582 字★★★★☆
2.2.2.1

MIT 6.S191 课程总览与学习策略

主要内容MIT 6.S191 课程总览与学习策略 来源：https://introtodeeplearning.com/ 课程：MIT 6.S191 Introduction to Deep Learning 适用对象：跨专业硕士新生，有一点 Python 基础，但数学、统计、机器学习按入门处理。 学习目标

1,886 字★★★★☆
2.2.2.2

MIT 6.S191 课前基础知识补全

主要内容MIT 6.S191 课前基础知识补全 目标：不用额外搜索资料，先把看 MIT 6.S191 必须知道的数学、Python 和机器学习概念补到最低可用水平。这里的“最低可用”不是会完整证明，而是能听懂课程中的关键句子，能看懂 lab 中的代码结构，能把不懂的地方准确说出来。 1. 深度学习的统一框架

1,612 字★★★★☆
2.2.2.3

02-九讲逐讲学习地图

主要内容MIT 6.S191 九讲逐讲学习地图 用途：看每一讲前先读本文件，知道应该抓什么。看完后回到本文件，用自己的笔记补充每讲的 task、model、objective、evidence 和 limitation。 总图 这张图是你看课的导航。你不需要一开始把每个分支都学深，但每看一讲都要知道自己站在

2,453 字★★★★☆
2.2.2.4

03-数学与代码最小可运行例子

主要内容MIT 6.S191 数学与代码最小可运行例子 目标：把课前必须会的数学概念转成能运行、能解释、能写进笔记的最小代码。你不需要在第一轮掌握复杂推导，但必须能把公式和代码对应起来。 1. 从线性模型开始 深度学习的第一块积木是线性变换： 直觉解释： X 是输入数据， W 是模型学到的权重， b 是偏置

915 字★★★☆☆
2.2.2.5

04-Labs与Notebook实操指南

主要内容MIT 6.S191 Labs 与 Notebook 实操指南 目标：看 MIT 6.S191 时，不只停留在视频和 slides，而是能真正跑通 lab 或最小 notebook，并把运行结果转成学习证据。这里不假设你已经是工程熟手，而是按跨专业学习者的方式，把操作拆成可检查步骤。 1. 为什么必

1,050 字★★★★☆
2.2.2.6

05-验收复盘与学习提示词

主要内容MIT 6.S191 验收复盘与学习提示词 目标：判断你是否真的把 9 小时课程转化成了可用能力。这里的验收不是考试，而是防止“看完了但不会用”。 1. 最低完成标准 完成课程后，至少要有下面五类证据： 证据 最低要求 为什么重要 --- --- --- 讲座笔记 9 讲每讲一页 防止只看不整理 代

1,180 字★★★★☆
2.2.2.7

README-MIT6S191课程索引

主要内容MIT 6.S191 Obsidian 课程索引 本目录用于学习 MIT 6.S191 Introduction to Deep Learning。它不是简单收藏课程链接，而是把课程录像、slides、labs、课前基础、代码运行、口头表达和复盘验收组织成一套可执行学习系统。你打开这个目录时，不需要

1,287 字★★★★☆
2.2.1

人工智能

主要内容人工智能 课程目标 建立 AI 的方法地图：表示、搜索、概率建模、机器学习、深度学习、评估与应用。 文件夹使用 - 01-Lectures : 课件、课堂原始记录。 - 02-Notes : 按主题整理的课程笔记。 - 03-Exercises : 编程作业、实验记录、错题。 - 04-Codex-

156 字★★★☆☆
2.4

学习总览

主要内容学习总览 当前课程 课程 当前重点 本周任务 风险 --- --- --- --- 数理统计/数理统计 数理统计 参数估计、假设检验、渐近理论 极值/极值 极值 极值分布、GEV、POT、尾部建模 人工智能/人工智能 人工智能 机器学习基础、深度学习、模型评估 本周复盘 - 本周最重要的概念： -

185 字★★★☆☆
2.3.1.1.1

00_章节目录总览

主要内容统计推断章节目录总览 第 1 章 绪论 教材目录 - 1.1 什么是数理统计学 - 1.2 数理统计的若干基本概念 - 1.3 统计量 - 习题 1 学习定位 本章建立统计语言：总体、样本、参数、统计量、样本空间、参数空间、分布族、i.i.d.。后续所有估计和检验都依赖这些词。 第 2 章 抽样分布

825 字★★★☆☆
2.3.1.1.2.1

章节学习页

主要内容第 1 章 绪论 本章在学什么 一句话目标：把现实数据问题翻译成“总体、样本、参数、统计量”的统计推断语言。 在统计学习链条中的位置： 未来用途：以后遇到课程题、科研数据或工作数据时，先判断总体是谁、样本是什么、未知参数是什么、可以从样本中计算哪些统计量。这个判断决定后面该用点估计、区间估计还是假设

3,434 字★★★★☆
2.3.1.1.3.1

章节学习页

主要内容第 2 章 抽样分布及若干预备知识 本章在学什么 一句话：本章学习统计量本身如何随机波动，为置信区间和假设检验做准备。 在统计学习链条中的位置： 课程和工作用途：判断样本均值、样本方差、检验统计量的波动是否“正常”，从而决定能不能拒绝假设、如何给出不确定性范围。 教材目录 - 2.1 引言 - 2.

2,253 字★★★★☆
2.3.1.1.4.1

章节学习页

主要内容第 3 章 点估计 本章在学什么 一句话：本章学习如何用样本构造一个数来估计未知总体参数，并判断这个估计值是否可靠。 在统计学习链条中的位置： 课程和工作用途：当你想估计平均成绩、转化率、故障率、到达率、波动强度、模型参数时，本章提供“怎么算”和“怎么算得好”的基本语言。 教材目录 - 3.1 引言

3,098 字★★★★☆
2.3.1.1.5.1

章节学习页

主要内容第 4 章 区间估计 本章在学什么 一句话：本章学习如何用一个区间表达参数估计的不确定性，而不是只给一个点估计值。 在统计学习链条中的位置： 课程和工作用途：当你报告平均成绩、转化率、模型效果、实验差异或风险指标时，不能只写一个估计值，还要说明这个估计有多不确定。 教材目录 - 4.1 区间估计的基

3,131 字★★★★☆
2.3.1.1.6.1

章节学习页

主要内容第 5 章 参数假设检验 本章在学什么 一句话：本章学习如何用样本证据判断一个关于总体参数的假设是否应该被拒绝。 在统计学习链条中的位置： 课程和工作用途：当你要判断“新方法是否有效”“均值是否偏离基准”“两个方案是否有差异”“方差是否变大”“比例是否超过目标”时，参数假设检验就是标准语言。 教材目

3,386 字★★★★☆
2.3.1.1.7.1

章节学习页

主要内容第 6 章 非参数假设检验 本章在学什么 一句话：本章学习当总体分布形式不可靠、样本量较小或数据是等级/类别时，如何用更少分布假设完成检验。 在统计学习链条中的位置： 课程和工作用途：当你不确定数据是否正态、样本量小、数据是排名/等级/类别，或者异常值影响很强时，非参数检验提供了更稳健的检验路线。

3,232 字★★★★☆
2.3.1.1.8.1

章节学习页

主要内容第 7 章 Bayes 方法和统计决策理论 本章在学什么 一句话：本章学习如何把先验知识和样本证据结合起来，得到后验分布，并在损失函数下做估计或决策。 在统计学习链条中的位置： 课程和工作用途：当你有历史经验、专家判断、先前实验结果，或样本量较小时，Bayes 方法提供了一种把“已有知识”和“新数据

3,026 字★★★★☆
2.3.1.1.9

README

主要内容统计推断 来源教材：韦来生《数理统计》。本目录用于把教材的重要章节整理成 Obsidian 可持续填充的学习框架。 使用方式 1. 先从 00 章节目录总览 判断本章在统计推断链条中的位置。 2. 学某一章时，进入对应子目录，填充 章节学习页.md 。 3. 重要概念同步沉淀到 20-Knowled

492 字★★★☆☆
2.3.2.1.1

统计推断_自测题与答案索引

主要内容统计推断自测题与答案索引 总体规则 每章自测题都要包含： - 概念题 - 判断题 - 计算题 - 代码题 - 报告表达题 每道题后必须直接给答案和解释，避免只留下题目。 章节自测入口 - x ../../05-Courses/数理统计/02-Notes/统计推断/01 绪论/章节学习页 课后作业与答

442 字★★★☆☆
2.3.3.1.1

DayXX 统计推断学习记录

主要内容统计推断两个月执行看板 当前状态 韦来生《数理统计》统计推断主线已经完成 Obsidian 导入：第 1 章到第 7 章均已建立章节子目录，并写入可直接学习的章节学习页、核心概念、代码任务、课后作业与答案、报告表达和 AI 提示词。 学习目标 两个月内掌握统计推断的主线方法，能够用于课程作业、数据分

838 字★★★☆☆
2.3.4

数理统计

主要内容数理统计 课程目标 建立统计推断的主线：样本、统计量、估计、检验、区间、渐近性质。 文件夹使用 - 01-Lectures : 课件、课堂原始记录。 - 02-Notes : 按章节整理的课程笔记。 - 03-Exercises : 习题、错题、证明题。 - 04-Codex-Outputs : C

251 字★★★☆☆
2.3.5

统计推断

主要内容统计推断 韦来生《数理统计》章节教辅总入口。这个页面放在 05-Courses/数理统计/ 下，方便 Obsidian 文件列表和课程入口直接显示。 直接入口 - 05-Courses/数理统计/02-Notes/统计推断/README 统计推断 README - 05-Courses/数理统计/0

642 字★★★☆☆
2.1.1

极值

主要内容极值 课程目标 围绕极端事件建模：最大值极限、广义极值分布、超阈值模型、尾部指数、风险度量。 文件夹使用 - 01-Lectures : 课件、课堂原始记录。 - 02-Notes : 按章节整理的课程笔记。 - 03-Exercises : 习题、推导、应用案例。 - 04-Codex-Outpu

156 字★★★☆☆
3

06-IdeaCards灵感记录

主要内容06-IdeaCards灵感记录.md

0 字★☆☆☆☆
4.1

Projects

主要内容Projects 项目型内容放这里，例如一个网站、一个插件、一个论文任务、一个自动化脚本。 建议格式 - 每个项目一个文件夹。 - 项目首页命名为 项目名.md 。 - 项目内可以放需求、决策、Codex 对话整理、验收记录。

75 字★★☆☆☆
5.5

Knowledge

主要内容Knowledge 稳定知识放这里。它们不是某个项目的临时过程，而是以后会反复复用的概念、方法、判断标准。 适合放入的内容 - 技术概念解释 - 工具使用经验 - 方法论总结 - 常见错误与排查 - 论文阅读后的核心知识卡片 当前入口 - 跨课程连接/知识地图 - 跨课程连接/知识建设盘点

106 字★★★☆☆
5.3.5

损失函数

主要内容损失函数 概念解释 损失函数衡量模型预测 $\hat y$ 与真实标签 $y$ 的差异。训练模型时，优化器通常通过最小化平均损失来调整参数。 公式与计算 平方损失用于回归： $$ L \hat y,y = \hat y-y ^2 $$ 二分类交叉熵用于概率分类： $$ L \hat p,y =- y

448 字★★★☆☆
5.3.3

模型评估

主要内容模型评估 概念解释 模型评估是用独立数据和合适指标判断模型在真实任务中的表现。核心不是“训练得多好”，而是“部署后能不能稳定解决问题”。 公式与计算 分类常见指标： $$ \mathrm{Accuracy}=\frac{TP+TN}{TP+TN+FP+FN} $$ $$ \mathrm{Precis

495 字★★★☆☆
5.3.2

监督学习

主要内容监督学习 概念解释 监督学习是从带标签数据 $ x i,y i $ 中学习输入到输出的映射 $f x $。如果 $y$ 是类别，就是分类；如果 $y$ 是连续数值，就是回归。 公式与计算 监督学习通常写成经验风险最小化： $$ \hat f=\arg\min {f\in\mathcal F}\fra

496 字★★★☆☆
5.3.4

神经网络

主要内容神经网络 概念解释 神经网络是由多层可学习函数组合而成的模型。每一层通常做线性变换再接非线性激活，从而表示复杂的非线性关系。 公式与计算 单层形式： $$ h=\phi Wx+b $$ 多层网络： $$ f x =W L\phi W {L-1}\phi \cdots \phi W 1x+b 1 +b

483 字★★★☆☆
5.3.1

过拟合与正则化

主要内容过拟合与正则化 概念解释 过拟合是模型把训练数据中的噪声、偶然模式也学进去，导致训练表现很好但新数据表现差。正则化是在训练目标或模型结构中加入约束，降低模型复杂度，提升泛化能力。 公式与计算 带 $L 2$ 正则的训练目标： $$ \min \theta \frac{1}{n}\sum {i=1}^

451 字★★★☆☆
5.1.5

POT 方法

主要内容POT 方法 概念解释 POT（Peaks Over Threshold）方法只分析超过高阈值 $u$ 的观测值。相比区块最大值方法，POT 能利用更多极端样本，适合研究尾部风险。 公式与计算 定义超阈值 excess： $$ Y=X-u\mid X u $$ 当阈值足够高时，$Y$ 的分布可用 广

433 字★★★☆☆
5.1.3

尾部指数

主要内容尾部指数 概念解释 尾部指数刻画分布尾部厚度，也就是极端值概率衰减速度。在 GEV 和 GPD 中，形状参数 $\xi$ 常被用来描述尾部类型。 公式与计算 在 GEV/GPD 参数化中： - $\xi 0$：Fréchet 型重尾，极端大值概率下降慢。 - $\xi=0$：Gumbel 型，尾部类

429 字★★★☆☆
5.1.2

广义帕累托分布

主要内容广义帕累托分布 概念解释 广义帕累托分布（Generalized Pareto Distribution, GPD）描述变量超过高阈值后的超额部分。它是 POT 方法 的核心模型，用来刻画“已经很极端之后，还会更极端多少”。 公式与计算 若 $Y=X-u\mid X u$，则 GPD 分布函数为：

384 字★★★☆☆
5.1.1

广义极值分布

主要内容广义极值分布 概念解释 广义极值分布（Generalized Extreme Value, GEV）描述区块最大值的极限分布。普通统计常研究均值，而极值理论研究最大值、最小值等尾部事件，因此极限分布不再是正态，而是 GEV。 公式与计算 GEV 分布函数为： $$ G z =\exp\left\{

464 字★★★☆☆
5.1.4

重现水平

主要内容重现水平 概念解释 重现水平是平均每隔 $T$ 个时期才会被超过一次的极端水平。它常用于把统计模型转化为工程和风险语言，例如“百年一遇洪水位”。 公式与计算 若每个时期取一个最大值，$T$ 年重现水平 $z T$ 满足： $$ P M z T =\frac{1}{T} $$ 也就是： $$ G z

426 字★★★☆☆
5.4.36

Bayes估计

主要内容Bayes估计 一句话定义 Bayes 估计是在给定后验分布和损失函数后，使后验期望损失最小的估计。 解决什么问题 它把“参数不确定性”和“错误代价”结合起来，给出最优估计或行动。 典型场景 - 平方损失下使用后验均值。 - 绝对损失下使用后验中位数。 - 0-1 损失下使用后验众数或 MAP。 和

283 字★★★☆☆
5.4.37

Cramer-Rao不等式

主要内容Cramer-Rao不等式 一句话定义 Cramer-Rao 不等式给出无偏估计量方差的理论下界。 解决什么问题 它回答：在给定统计模型下，无偏估计量的方差最低能低到什么程度。 公式直觉 在正则条件下，任意无偏估计量 T 满足： $$ Var T \ge \frac{1}{I \theta } $$

371 字★★★☆☆
5.4.39

MAP估计

主要内容MAP估计 一句话定义 MAP 估计是使后验分布达到最大值的参数取值。 解决什么问题 它提供“后验最可能参数值”的点估计，结合了先验和似然。 公式 $$ \hat\theta {MAP}=\arg\max \theta \pi \theta x $$ 典型场景 - 0-1 损失直觉下选择后验众数。

285 字★★★☆☆
5.4.38

Mann-Whitney U检验

主要内容Mann-Whitney U检验 一句话定义 Mann-Whitney U 检验是比较两个独立样本分布位置或随机优势差异的非参数检验。 解决什么问题 当两组独立样本不适合使用两样本 t 检验时，它可基于秩来判断两组是否存在系统差异。 典型场景 - 两种教学方法下学生成绩分布比较。 - 两个模型在多个

336 字★★★☆☆
5.4.40

Minimax准则

主要内容Minimax准则 一句话定义 Minimax 准则选择使最大风险最小的决策规则。 解决什么问题 当不想依赖某个先验，或希望最坏情况下表现尽量稳健时，可以使用 Minimax 思想。 公式直觉 选择决策规则 delta，使： $$ \sup \theta R \theta,\delta $$ 尽可能

308 字★★★☆☆
5.4.42

Wilcoxon符号秩检验

主要内容Wilcoxon符号秩检验 一句话定义 Wilcoxon 符号秩检验用配对差值的方向和绝对值秩来判断中心差异。 解决什么问题 它用于配对样本或单样本差值检验，在不直接依赖正态分布的情况下判断前后是否有系统性变化。 典型场景 - 同一批学生培训前后成绩比较。 - 同一设备维护前后误差比较。 - 同一对

313 字★★★☆☆
5.4.41

p值

主要内容p值 一句话定义 p 值是在原假设成立时，观察到当前或更极端样本结果的概率。 解决什么问题 p 值用于衡量样本结果与原假设的冲突程度。p 值越小，当前数据在原假设下越不常见。 典型场景 - 单样本 t 检验报告 p 值。 - A/B 测试判断新方案是否显著提升。 - 回归系数检验中判断某个变量是否显

320 字★★★☆☆
5.4.26

似然比检验

主要内容似然比检验 一句话定义 似然比检验通过比较原假设下和总体参数空间下的最大似然值来决定是否拒绝原假设。 解决什么问题 它适合处理复合假设和模型约束检验，特别是当原假设对应参数空间的一个子集时。 公式 $$ \Lambda x =\frac{\sup {\theta\in\Theta 0}L \thet

399 字★★★☆☆
5.4.13

假设检验

主要内容假设检验 概念解释 假设检验是用样本证据判断一个原假设 $H 0$ 是否与数据明显冲突。它不是证明 $H 0$ 为真或为假，而是在预设错误率下决定是否拒绝 $H 0$。 公式与计算 基本要素包括原假设 $H 0$、备择假设 $H 1$、显著性水平 $\alpha$、检验统计量 $T X $ 和拒绝域

518 字★★★☆☆
5.4.2

充分统计量

主要内容充分统计量 概念解释 充分统计量是对样本的压缩：在给定这个统计量之后，原始样本对参数 $\theta$ 不再提供额外信息。它回答的问题是：能不能把一堆样本压缩成一个较小的量，同时不损失关于参数的推断信息？ 公式与计算 因子分解定理是最常用判别工具。若联合密度可写成： $$ f x 1,\dots,x

557 字★★★☆☆
5.4.31

先验分布

主要内容先验分布 一句话定义 先验分布是在看到当前样本之前，对未知参数的概率表达。 解决什么问题 它用于把历史数据、专家经验或已有知识纳入当前统计推断。 典型场景 - 用历史转化率设定 Beta 先验。 - 用过去实验结果设定正态先验。 - 在小样本下引入合理约束，避免估计过度波动。 和本实验室方向的关系

316 字★★★☆☆
5.4.10

共轭先验

主要内容共轭先验 一句话定义 共轭先验是指先验和后验属于同一分布族的先验。 解决什么问题 它让 Bayes 更新有简单闭式结果，适合课程推导和手算。 典型场景 - Beta 先验 + Binomial 似然 - Beta 后验。 - Gamma 先验 + Poisson 似然 - Gamma 后验。 - N

277 字★★★☆☆
5.4.18

决策函数

主要内容决策函数 一句话定义 决策函数是把观测数据映射为估计值、分类结果或行动方案的规则。 解决什么问题 它描述“看到数据后应该采取什么行动”。 典型场景 - 看到样本后给出参数估计。 - 根据检测结果决定是否报警。 - 根据后验概率选择治疗方案或模型。 和本实验室方向的关系 复杂系统预警、模型选择和风险管

292 字★★★☆☆
5.4.21

列联表

主要内容列联表 一句话定义 列联表是用交叉频数表示两个或多个分类变量关系的表。 解决什么问题 它把分类变量之间的关系整理成可用于独立性检验或齐一性检验的频数结构。 典型场景 - 地区 x 是否购买。 - 性别 x 是否通过。 - 处理组 x 结局类别。 和本实验室方向的关系 课程项目和实验结果中经常出现分类

303 字★★★☆☆
5.4.3

单侧置信限

主要内容单侧置信限 一句话定义 单侧置信限是只给出参数上界或下界的区间估计形式。 解决什么问题 当研究者只关心参数是否至少达到某个水平，或最多不超过某个风险阈值时，用单侧置信限更直接。 典型场景 - 药物有效率至少是多少。 - 设备失效率最多是多少。 - 风险损失或污染浓度的上置信限。 和本实验室方向的关系

325 字★★★☆☆
5.4.20

可容许性

主要内容可容许性 一句话定义 如果不存在另一个决策规则在所有参数下都不差、且至少某些参数下更好，则该规则是可容许的。 解决什么问题 它用于判断一个估计或决策规则是否被其他规则全面支配。 典型场景 - 比较不同估计规则的风险函数。 - 判断某个估计量是否存在明显更优替代。 - 统计决策理论中的规则筛选。 和本

316 字★★★☆☆
5.4.11

后验分布

主要内容后验分布 一句话定义 后验分布是在看到样本数据后，对未知参数更新得到的概率分布。 解决什么问题 它把先验信息和样本证据合并，用一个分布表达参数的不确定性。 公式 $$ \pi \theta x \propto L \theta x \pi \theta $$ 典型场景 - 估计转化率的后验分布。 -

323 字★★★☆☆
5.4.12

后验均值

主要内容后验均值 一句话定义 后验均值是后验分布的期望，也是平方损失下的 Bayes 估计。 解决什么问题 它给出一个综合后验分布全部不确定性的点估计。 典型场景 - Beta 后验中用 a/ a+b 估计成功率。 - Normal 后验中用后验均值估计总体均值。 - Bayes 回归中报告系数后验均值。

291 字★★★☆☆
5.4.19

均方误差

主要内容均方误差 一句话定义 均方误差 MSE 衡量估计量与真实参数之间平方误差的期望。 解决什么问题 MSE 用来综合比较估计量的系统性偏差和随机波动。 公式 $$ MSE \hat\theta =E \hat\theta-\theta ^2 =Var \hat\theta +Bias \hat\thet

343 字★★★☆☆
5.4.24

容忍区间

主要内容容忍区间 一句话定义 容忍区间是希望覆盖总体中至少某个比例个体观测值的区间。 解决什么问题 它回答“未来或总体中大部分观测值会落在哪里”，而不是“参数在哪里”。 典型场景 - 质量控制中，希望至少 95% 产品指标落在某个范围。 - 工程安全中，给出大部分设备误差的可接受范围。 - 生物医学中，给出

333 字★★★☆☆
5.4.17

拒绝域

主要内容拒绝域 一句话定义 拒绝域是检验统计量落入后就拒绝原假设的区域。 解决什么问题 它把显著性水平和检验统计量的分布转化成明确的判定规则。 典型场景 - 双侧 z 检验中，alpha=0.05 时拒绝域为 Z 1.96。 - 右侧 t 检验中，T 大于右侧临界值时拒绝 H0。 - 方差检验中，chi-s

303 字★★★☆☆
5.4.22

拟合优度检验

主要内容拟合优度检验 一句话定义 拟合优度检验判断观测频数是否与某个理论分布或理论比例相符。 解决什么问题 它回答“这些类别频数看起来是否像来自指定理论分布”。 典型场景 - 检验骰子是否公平。 - 检验类别比例是否符合理论比例。 - 检验观测事件数是否符合某个离散分布设定。 和本实验室方向的关系 在复杂系

314 字★★★☆☆
5.4.27

损失函数_统计决策

主要内容损失函数 统计决策 一句话定义 损失函数衡量真实参数和所采取行动之间的错误代价。 解决什么问题 它把“估计错了多少”和“错的代价多大”写成数学函数，从而定义最优决策。 典型场景 - 平方损失：大误差惩罚更重。 - 绝对损失：对异常误差更稳健。 - 0-1 损失：只关心是否判断正确。 和本实验室方向的

316 字★★★☆☆
5.4.30

无偏估计

主要内容无偏估计 一句话定义 如果估计量的期望等于被估计参数，它就是无偏估计量。 解决什么问题 无偏性用于判断估计量是否存在系统性偏高或偏低。 典型场景 - 样本均值是总体均值的无偏估计。 - 分母为 n-1 的样本方差是总体方差的无偏估计。 - 正态方差的 MLE 分母为 n，通常不是无偏估计。 和本实验

336 字★★★☆☆
5.4.32

显著性水平

主要内容显著性水平 一句话定义 显著性水平 alpha 是允许第一类错误发生的最大概率。 解决什么问题 它用于事先设定拒绝原假设的严格程度，常见取值为 0.10、0.05、0.01。 典型场景 - 课程作业默认使用 alpha=0.05。 - 高风险决策中使用更小 alpha，如 0.01。 - 单侧和双侧

295 字★★★☆☆
5.4.35

最大似然估计

主要内容最大似然估计 概念解释 最大似然估计（Maximum Likelihood Estimation, MLE）是在给定统计模型后，选择最能解释当前样本的参数值。它不直接说“参数发生的概率最大”，而是说：在不同参数假设下，哪一个参数让已经观察到的数据最可能出现。 公式与计算 若样本 $X 1,\dots

619 字★★★☆☆
5.4.25

枢轴变量

主要内容枢轴变量 一句话定义 枢轴变量是含有样本和未知参数、但其分布不依赖未知参数的量。 解决什么问题 它用于把已知分布反解成未知参数的置信区间。 典型场景 - Z= Xbar-mu / sigma/sqrt n 用于方差已知的正态均值区间。 - T= Xbar-mu / S/sqrt n 用于方差未知的正

347 字★★★☆☆
5.4.1

标准误

主要内容标准误 一句话定义 标准误 standard error 是估计量抽样分布的标准差。 解决什么问题 它衡量估计量在重复抽样中会波动多大，是构造置信区间和检验统计量的核心量。 典型场景 - 样本均值的标准误为 sigma/sqrt n ，sigma 未知时用 S/sqrt n 。 - 回归系数的标准误

337 字★★★☆☆
5.4.14

检验功效

主要内容检验功效 一句话定义 检验功效 power 是备择假设真实时正确拒绝原假设的概率。 解决什么问题 它回答“如果真实存在差异，这个检验有多大概率发现它”。 典型场景 - 实验设计前估计需要多少样本量。 - A/B 测试中判断样本量是否足够发现预期提升。 - 解释不显著结果是否可能来自功效不足。 和本实

299 字★★★☆☆
5.4.15

渐近正态性

主要内容渐近正态性 概念解释 渐近正态性指样本量 $n$ 增大时，某个估计量经过中心化和缩放后，分布越来越接近正态分布。它是大样本统计推断的基础，使我们能用正态近似构造检验和区间。 公式与计算 中心极限定理给出最经典例子： $$ \frac{\sqrt n \bar X-\mu }{\sigma}\Righ

507 字★★★☆☆
5.4.6

点估计

主要内容点估计 一句话定义 点估计是用一个由样本计算出的数来估计未知总体参数。 解决什么问题 当总体参数未知，但需要给出一个具体估计值时使用。例如估计平均成绩、转化率、故障率、到达率或模型参数。 典型场景 - 用样本均值估计总体均值。 - 用样本比例估计总体比例。 - 用 MLE 估计 Poisson 到达

376 字★★★☆☆
5.4.7

独立性检验

主要内容独立性检验 一句话定义 独立性检验判断两个分类变量是否相互独立。 解决什么问题 它回答“一个分类变量的取值是否与另一个分类变量有关”。 典型场景 - 地区和购买行为是否有关。 - 性别和通过率是否有关。 - 模型类别错误和样本类型是否有关。 和本实验室方向的关系 复杂系统和机器学习评估中，很多变量是

303 字★★★☆☆
5.4.16

矩估计

主要内容矩估计 一句话定义 矩估计是用样本矩匹配总体矩，从而反推出未知参数的方法。 解决什么问题 当总体矩容易写出、参数和矩之间关系清楚时，矩估计可以快速给出参数估计。 典型场景 - Poisson 分布中用样本均值估计 lambda。 - 指数分布中用样本均值估计尺度或率参数。 - 正态分布中用样本均值和

349 字★★★☆☆
5.4.9

符号检验

主要内容符号检验 一句话定义 符号检验只根据观测值相对基准值的正负方向来判断中位数或配对差异。 解决什么问题 当只可靠地知道变化方向，而不想依赖差值大小或正态性时，符号检验可以用于稳健判断。 典型场景 - 检验总体中位数是否等于某个值。 - 配对前后比较中，只看改善人数是否多于退步人数。 - 数据存在强异常

310 字★★★☆☆
5.4.5

第一类错误

主要内容第一类错误 一句话定义 第一类错误是原假设真实成立时却拒绝了原假设。 解决什么问题 它描述假设检验中的误报风险，也是显著性水平 alpha 控制的错误。 典型场景 - 新药其实无效，却被误判为有效。 - 新模型其实没有提升，却被误判为显著更好。 - 设备没有异常，却触发异常报警。 和本实验室方向的关

301 字★★★☆☆
5.4.4

第二类错误

主要内容第二类错误 一句话定义 第二类错误是原假设不成立时却没有拒绝原假设。 解决什么问题 它描述假设检验中的漏报风险，通常记为 beta。 典型场景 - 新药确实有效，但实验样本太少导致未发现显著效果。 - 系统确实异常，但监测检验没有报警。 - 新模型确实更好，但测试集太小导致差异不显著。 和本实验室方

301 字★★★☆☆
5.4.29

统计推断_专业表达模板

主要内容统计推断专业表达模板 使用方式 这页用于把“我大概懂了”转换成课堂、作业和汇报中能使用的专业表达。学习每章时，先在章节学习页理解概念，再回到这里选择合适话术改写成自己的报告语言。 通用表达 描述总体和样本 本问题可以表述为：从一个分布未知或部分未知的总体中获得容量为 n 的随机样本，并希望基于样本信

1,669 字★★★★☆
5.4.28

统计推断核心概念索引

主要内容统计推断核心概念索引 核心概念索引 第 1 章 绪论 - x ../../05-Courses/数理统计/02-Notes/统计推断/01 绪论/章节学习页 总体 population 总体 - x ../../05-Courses/数理统计/02-Notes/统计推断/01 绪论/章节学习页 样本

1,163 字★★★★☆
5.4.33

置信区间

主要内容置信区间 概念解释 置信区间是用样本数据构造出的参数范围。95% 置信区间的含义是：如果重复抽样并用同一方法构造区间，长期约 95% 的区间会覆盖真实参数。它不是说“这个具体区间有 95% 概率包含真实参数”，因为频率学派中参数通常被视为固定值。 公式与计算 若 $\bar X$ 近似服从： $$

519 字★★★☆☆
5.4.34

置信水平

主要内容置信水平 一句话定义 置信水平是置信区间构造方法在重复抽样中覆盖真实参数的长期比例。 解决什么问题 它回答“我们希望区间估计有多保守”。常见选择是 90%、95%、99%。 典型场景 - 课程作业中默认构造 95% 置信区间。 - 风险控制或安全问题中使用 99% 置信水平。 - 快速探索性分析中有

324 字★★★☆☆
5.4.8

非参数检验

主要内容非参数检验 一句话定义 非参数检验是不严格假设总体属于某个具体参数分布族的检验方法。 解决什么问题 当正态性、方差齐性或具体分布形式难以保证时，非参数检验提供更稳健的检验选择。 典型场景 - 样本量小且分布未知。 - 数据偏态或有异常值。 - 数据是等级、秩次或类别频数。 - 不适合直接比较均值时，

359 字★★★☆☆
5.4.23

齐一性检验

主要内容齐一性检验 一句话定义 齐一性检验判断多个总体或组别的类别分布是否相同。 解决什么问题 它回答“不同组别的类别比例结构是否一致”。 典型场景 - 三个地区的满意度分布是否相同。 - 不同处理组的结局分布是否相同。 - 不同模型在错误类型上的分布是否一致。 和本实验室方向的关系 在课程项目和模型评估中

314 字★★★☆☆
5.2.1

知识地图

主要内容知识地图 总体判断 当前知识库已经形成三条主线： ../../05-Courses/数理统计/数理统计 数理统计 、 ../../05-Courses/极值/极值 极值理论 、 ../../05-Courses/人工智能/人工智能 人工智能 。长期知识层中的 15 张核心概念卡已经具备初步学习闭环：

598 字★★★☆☆
5.2.2

知识建设盘点

主要内容知识建设盘点 盘点结论 当前 Obsidian 库已经有清晰的库结构和三门课的主线入口，但建设程度不均衡： - 已初步建造完成： 20-Knowledge 下 15 张核心知识卡，覆盖数理统计、极值理论、人工智能三组概念。 - 已有入口但仍偏目录： 05-Courses 下三门课程主页、 Home

1,081 字★★★★☆
6.2

Obsidian 学习工作流

主要内容Obsidian 学习工作流 目标 把 Codex 生成内容变成可复用的个人知识网络，而不是一次性答案。 一次学习的标准流程 1. 原始材料进入课程目录的 01-Lectures 或 00-Inbox 。 2. 请 Codex 解释时，把输出保存到对应课程的 04-Codex-Outputs 。 3

292 字★★★☆☆
6.3

Workflows

主要内容Workflows 可复用流程放这里。目标是让 Codex 以后能按固定流程帮你做事。 示例 - Codex 代码审查流程 - Codex 写论文润色流程 - Obsidian 知识整理流程 - 文献阅读输出流程

58 字★★☆☆☆
6.1.1

统计推断 AI 提示词索引

主要内容统计推断 AI 提示词索引 使用原则 向 AI 提问时，不要只问“讲一下这个概念”。更好的方式是同时说明教材章节、你的基础、输出结构、代码要求和作业场景。下面提示词可直接复制使用。 通用提示词 章节学习提示词 我正在学习韦来生《数理统计》的第 X 章。请按“直觉解释 - 专业表达 - 公式 - 最小

1,229 字★★★★☆
7.2.1.1

Mitigating Extremal Risks: A Network-Based Portfolio Strategy - 中英对照阅读稿

主要内容--- title: "Mitigating Extremal Risks: A Network-Based Portfolio Strategy" aliases: - "缓解极端风险：一种基于网络的投资组合策略" - "arXiv:2409.12208" authors: - Qian Hui

7,888 字★★★★☆
7.2.1.2

translation_notes

主要内容Translation Notes - Source: arXiv:2409.12208 PDF downloaded from https://arxiv.org/pdf/2409.12208 . - Detected format: doi-arxiv resolved to selectabl

174 字★★★☆☆
7.2.2

AI经典论文批量翻译状态

主要内容AI经典论文批量翻译状态 本批次已完成：下载 PDF、抽取论文原文、生成中英文对照、生成全中文论文、导入 Obsidian。 翻译引擎：Argos Translate 本地 en - zh CPU 模型。该译文适合作为第一版阅读稿；如用于发表、教学讲义或正式引用，建议再做人工术语校订。 Paper

378 字★★★☆☆
7.2.13

TPDM 极端依赖网络论文精读入口

主要内容TPDM 极端依赖网络论文精读入口 论文 Extremal Dependence and Community-Structured Risk Propagation in Complex Social Information Networks 入口文件 - Extremal Dependence C

142 字★★★☆☆
7.2.3.1

Published as a conference paper at ICLR 2015 NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE Dzmitry Bahdanau Jacobs University Bremen,

主要内容--- title: "Published as a conference paper at ICLR 2015 NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE Dzmitry Bahdanau Jacobs

11,084 字★★★★★
7.2.3.2

Published as a conference paper at ICLR 2015 NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE Dzmitry Bahdanau Jacobs University Bremen, - 中英文对照

主要内容translated: 2026-07-16 --- title: "Published as a conference paper at ICLR 2015 NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE

23,959 字★★★★★
7.2.3.3

Published as a conference paper at ICLR 2015 NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE Dzmitry Bahdanau Jacobs University Bremen, - 全部中文论文

主要内容translated: 2026-07-16 --- title: "Published as a conference paper at ICLR 2015 NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE

13,306 字★★★★★
7.2.3.4

translation_notes

主要内容Translation Notes - Paper: Published as a conference paper at ICLR 2015 NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE Dzmitry

119 字★★★☆☆
7.2.4.1

BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding Jacob Devlin Ming-Wei Chang Kenton Lee Kristina Toutanova Google AI Language

主要内容--- title: "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding Jacob Devlin Ming-Wei Chang Kenton Lee Kristina Toutanova

12,776 字★★★★★
7.2.4.2

BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding Jacob Devlin Ming-Wei Chang Kenton Lee Kristina Toutanova Google AI Language - 中英文对照

主要内容translated: 2026-07-16 --- title: "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding Jacob Devlin Ming-Wei Chang Kenton

29,841 字★★★★★
7.2.4.3

BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding Jacob Devlin Ming-Wei Chang Kenton Lee Kristina Toutanova Google AI Language - 全部中文论文

主要内容translated: 2026-07-16 --- title: "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding Jacob Devlin Ming-Wei Chang Kenton

17,515 字★★★★★
7.2.4.4

translation_notes

主要内容Translation Notes - Paper: BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding Jacob Devlin Ming-Wei Chang Kenton Lee Kri

116 字★★★☆☆
7.2.5.1

Training Compute-Optimal Large Language Models Jordan Hoffmann★, Sebastian Borgeaud★, Arthur Mensch★, Elena Buchatskaya, Trevor Cai, Eliza Rutherford, Diego de

主要内容--- title: "Training Compute-Optimal Large Language Models Jordan Hoffmann★, Sebastian Borgeaud★, Arthur Mensch★, Elena Buchatskaya, Trevor Cai, Eliza

19,288 字★★★★★
7.2.5.2

Training Compute-Optimal Large Language Models Jordan Hoffmann★, Sebastian Borgeaud★, Arthur Mensch★, Elena Buchatskaya, Trevor Cai, Eliza Rutherford, Diego de - 中英文对照

主要内容translated: 2026-07-16 --- title: "Training Compute-Optimal Large Language Models Jordan Hoffmann★, Sebastian Borgeaud★, Arthur Mensch★, Elena Buchats

42,209 字★★★★★
7.2.5.3

Training Compute-Optimal Large Language Models Jordan Hoffmann★, Sebastian Borgeaud★, Arthur Mensch★, Elena Buchatskaya, Trevor Cai, Eliza Rutherford, Diego de - 全部中文论文

主要内容translated: 2026-07-16 --- title: "Training Compute-Optimal Large Language Models Jordan Hoffmann★, Sebastian Borgeaud★, Arthur Mensch★, Elena Buchats

23,675 字★★★★★
7.2.5.4

translation_notes

主要内容Translation Notes - Paper: Training Compute-Optimal Large Language Models Jordan Hoffmann★, Sebastian Borgeaud★, Arthur Mensch★, Elena Buchatskaya, Tr

115 字★★★☆☆
7.2.6.1

Denoising Diffusion Probabilistic Models Jonathan Ho Ajay Jain Pieter Abbeel UC Berkeley UC Berkeley UC Berkeley jonathanho@berkeley.edu ajayj@berkeley.edu

主要内容--- title: "Denoising Diffusion Probabilistic Models Jonathan Ho Ajay Jain Pieter Abbeel UC Berkeley UC Berkeley UC Berkeley jonathanho@berkeley.edu a

12,192 字★★★★★
7.2.6.2

Denoising Diffusion Probabilistic Models Jonathan Ho Ajay Jain Pieter Abbeel UC Berkeley UC Berkeley UC Berkeley jonathanho@berkeley.edu ajayj@berkeley.edu - 中英文对照

主要内容Denoising Diffusion Probabilistic Models Jonathan Ho Ajay Jain Pieter Abbeel UC Berkeley UC Berkeley UC Berkeley jonathanho@berkeley.edu ajayj@berkele

29,151 字★★★★★
7.2.6.3

Denoising Diffusion Probabilistic Models Jonathan Ho Ajay Jain Pieter Abbeel UC Berkeley UC Berkeley UC Berkeley jonathanho@berkeley.edu ajayj@berkeley.edu - 全部中文论文

主要内容Denoising Diffusion Probabilistic Models Jonathan Ho Ajay Jain Pieter Abbeel UC Berkeley UC Berkeley UC Berkeley jonathanho@berkeley.edu ajayj@berkele

17,437 字★★★★★
7.2.6.4

translation_notes

主要内容Translation Notes - Paper: Denoising Diffusion Probabilistic Models Jonathan Ho Ajay Jain Pieter Abbeel UC Berkeley UC Berkeley UC Berkeley jonathanho

152 字★★★☆☆
7.2.7.1

Improving Language Understanding by Generative Pre-Training Alec Radford Karthik Narasimhan Tim Salimans Ilya Sutskever OpenAI OpenAI OpenAI OpenAI

主要内容--- title: "Improving Language Understanding by Generative Pre-Training Alec Radford Karthik Narasimhan Tim Salimans Ilya Sutskever OpenAI OpenAI Open

7,849 字★★★★☆
7.2.7.2

Improving Language Understanding by Generative Pre-Training Alec Radford Karthik Narasimhan Tim Salimans Ilya Sutskever OpenAI OpenAI OpenAI OpenAI - 中英文对照

主要内容translated: 2026-07-16 --- title: "Improving Language Understanding by Generative Pre-Training Alec Radford Karthik Narasimhan Tim Salimans Ilya Sutsk

17,778 字★★★★★
7.2.7.3

Improving Language Understanding by Generative Pre-Training Alec Radford Karthik Narasimhan Tim Salimans Ilya Sutskever OpenAI OpenAI OpenAI OpenAI - 全部中文论文

主要内容translated: 2026-07-16 --- title: "Improving Language Understanding by Generative Pre-Training Alec Radford Karthik Narasimhan Tim Salimans Ilya Sutsk

10,301 字★★★★★
7.2.7.4

translation_notes

主要内容Translation Notes - Paper: Improving Language Understanding by Generative Pre-Training Alec Radford Karthik Narasimhan Tim Salimans Ilya Sutskever Ope

113 字★★★☆☆
7.2.8.1

Language Models are Few-Shot Learners Tom B.

主要内容--- title: "Language Models are Few-Shot Learners Tom B." aliases: - "GPT3" - "arXiv:2005.14165" source: "https://arxiv.org/abs/2005.14165" arxiv: "20

50,311 字★★★★★
7.2.8.2

Language Models are Few-Shot Learners Tom B. - 中英文对照

主要内容translated: 2026-07-16 --- title: "Language Models are Few-Shot Learners Tom B." aliases: - "GPT3" - "arXiv:2005.14165" source: "https://arxiv.org/abs

113,750 字★★★★★
7.2.8.3

Language Models are Few-Shot Learners Tom B. - 全部中文论文

主要内容translated: 2026-07-16 --- title: "Language Models are Few-Shot Learners Tom B." aliases: - "GPT3" - "arXiv:2005.14165" source: "https://arxiv.org/abs

65,039 字★★★★★
7.2.8.4

translation_notes

主要内容Translation Notes - Paper: Language Models are Few-Shot Learners Tom B. - Source: https://arxiv.org/abs/2005.14165 - Source format: PDF text layer - P

103 字★★★☆☆
7.2.9.1

LORA: LOW-RANK ADAPTATION OF LARGE LAN- GUAGE MODELS Edward Hu∗ Yelong Shen∗ Phillip Wallis Zeyuan Allen-Zhu Yuanzhi Li Shean Wang Lu Wang Weizhu Chen

主要内容--- title: "LORA: LOW-RANK ADAPTATION OF LARGE LAN- GUAGE MODELS Edward Hu∗ Yelong Shen∗ Phillip Wallis Zeyuan Allen-Zhu Yuanzhi Li Shean Wang Lu Wang

18,885 字★★★★★
7.2.9.2

LORA: LOW-RANK ADAPTATION OF LARGE LAN- GUAGE MODELS Edward Hu∗ Yelong Shen∗ Phillip Wallis Zeyuan Allen-Zhu Yuanzhi Li Shean Wang Lu Wang Weizhu Chen - 中英文对照

主要内容LORA: LOW-RANK ADAPTATION OF LARGE LAN- GUAGE MODELS Edward Hu∗ Yelong Shen∗ Phillip Wallis Zeyuan Allen-Zhu Yuanzhi Li Shean Wang Lu Wang Weizhu Chen

42,612 字★★★★★
7.2.9.3

LORA: LOW-RANK ADAPTATION OF LARGE LAN- GUAGE MODELS Edward Hu∗ Yelong Shen∗ Phillip Wallis Zeyuan Allen-Zhu Yuanzhi Li Shean Wang Lu Wang Weizhu Chen - 全部中文论文

主要内容LORA: LOW-RANK ADAPTATION OF LARGE LAN- GUAGE MODELS Edward Hu∗ Yelong Shen∗ Phillip Wallis Zeyuan Allen-Zhu Yuanzhi Li Shean Wang Lu Wang Weizhu Chen

24,427 字★★★★★
7.2.9.4

translation_notes

主要内容Translation Notes - Paper: LORA: LOW-RANK ADAPTATION OF LARGE LAN- GUAGE MODELS Edward Hu∗ Yelong Shen∗ Phillip Wallis Zeyuan Allen-Zhu Yuanzhi Li She

154 字★★★☆☆
7.2.10.1

Deep Residual Learning for Image Recognition Kaiming He Xiangyu Zhang Shaoqing Ren Jian Sun Microsoft Research kahe, v-xiangz, v-shren, jiansun @microsoft.com

主要内容Deep Residual Learning for Image Recognition Kaiming He Xiangyu Zhang Shaoqing Ren Jian Sun Microsoft Research kahe, v-xiangz, v-shren, jiansun @micro

12,691 字★★★★★
7.2.10.2

Deep Residual Learning for Image Recognition Kaiming He Xiangyu Zhang Shaoqing Ren Jian Sun Microsoft Research kahe, v-xiangz, v-shren, jiansun @microsoft.com - 中英文对照

主要内容translated: 2026-07-16 --- title: "Deep Residual Learning for Image Recognition Kaiming He Xiangyu Zhang Shaoqing Ren Jian Sun Microsoft Research kahe

28,709 字★★★★★
7.2.10.3

Deep Residual Learning for Image Recognition Kaiming He Xiangyu Zhang Shaoqing Ren Jian Sun Microsoft Research kahe, v-xiangz, v-shren, jiansun @microsoft.com - 全部中文论文

主要内容translated: 2026-07-16 --- title: "Deep Residual Learning for Image Recognition Kaiming He Xiangyu Zhang Shaoqing Ren Jian Sun Microsoft Research kahe

16,474 字★★★★★
7.2.10.4

Translation Notes

主要内容Translation Notes - Paper: Deep Residual Learning for Image Recognition Kaiming He Xiangyu Zhang Shaoqing Ren Jian Sun Microsoft Research kahe, v-xian

118 字★★★☆☆
7.2.11.1

Training language models to follow instructions with human feedback Long Ouyang∗ Jeff Wu∗ Xu Jiang∗ Diogo Almeida∗ Carroll L.

主要内容--- title: "Training language models to follow instructions with human feedback Long Ouyang∗ Jeff Wu∗ Xu Jiang∗ Diogo Almeida∗ Carroll L." aliases: -

39,041 字★★★★★
7.2.11.2

Training language models to follow instructions with human feedback Long Ouyang∗ Jeff Wu∗ Xu Jiang∗ Diogo Almeida∗ Carroll L. - 中英文对照

主要内容Training language models to follow instructions with human feedback Long Ouyang∗ Jeff Wu∗ Xu Jiang∗ Diogo Almeida∗ Carroll L. - 中英文对照 中英文对照 <a id="S00

87,693 字★★★★★
7.2.11.3

Training language models to follow instructions with human feedback Long Ouyang∗ Jeff Wu∗ Xu Jiang∗ Diogo Almeida∗ Carroll L. - 全部中文论文

主要内容Training language models to follow instructions with human feedback Long Ouyang∗ Jeff Wu∗ Xu Jiang∗ Diogo Almeida∗ Carroll L. - 全部中文论文 Page 1 <a id="S

50,067 字★★★★★
7.2.11.4

translation_notes

主要内容Translation Notes - Paper: Training language models to follow instructions with human feedback Long Ouyang∗ Jeff Wu∗ Xu Jiang∗ Diogo Almeida∗ Carroll

149 字★★★☆☆
7.2.12.1

Scaling Laws for Neural Language Models Jared Kaplan ∗ Sam McCandlish∗ Johns Hopkins University, OpenAI OpenAI jaredk@jhu.edu sam@openai.com Tom Henighan Tom B.

主要内容--- title: "Scaling Laws for Neural Language Models Jared Kaplan ∗ Sam McCandlish∗ Johns Hopkins University, OpenAI OpenAI jaredk@jhu.edu sam@openai.c

19,291 字★★★★★
7.2.12.2

Scaling Laws for Neural Language Models Jared Kaplan ∗ Sam McCandlish∗ Johns Hopkins University, OpenAI OpenAI jaredk@jhu.edu sam@openai.com Tom Henighan Tom B. - 中英文对照

主要内容translated: 2026-07-16 --- title: "Scaling Laws for Neural Language Models Jared Kaplan ∗ Sam McCandlish∗ Johns Hopkins University, OpenAI OpenAI jare

43,855 字★★★★★
7.2.12.3

Scaling Laws for Neural Language Models Jared Kaplan ∗ Sam McCandlish∗ Johns Hopkins University, OpenAI OpenAI jaredk@jhu.edu sam@openai.com Tom Henighan Tom B. - 全部中文论文

主要内容translated: 2026-07-16 --- title: "Scaling Laws for Neural Language Models Jared Kaplan ∗ Sam McCandlish∗ Johns Hopkins University, OpenAI OpenAI jare

25,214 字★★★★★
7.2.12.4

translation_notes

主要内容Translation Notes - Paper: Scaling Laws for Neural Language Models Jared Kaplan ∗ Sam McCandlish∗ Johns Hopkins University, OpenAI OpenAI jaredk@jhu.e

121 字★★★☆☆
7.2.14.1

Provided proper attribution is provided, Google hereby grants permission to reproduce the tables and figures in this paper solely for use in journalistic or

主要内容--- title: "Provided proper attribution is provided, Google hereby grants permission to reproduce the tables and figures in this paper solely for use

8,250 字★★★★☆
7.2.14.2

Provided proper attribution is provided, Google hereby grants permission to reproduce the tables and figures in this paper solely for use in journalistic or - 中英文对照

主要内容translated: 2026-07-16 --- title: "Provided proper attribution is provided, Google hereby grants permission to reproduce the tables and figures in thi

19,610 字★★★★★
7.2.14.3

Provided proper attribution is provided, Google hereby grants permission to reproduce the tables and figures in this paper solely for use in journalistic or - 全部中文论文

主要内容translated: 2026-07-16 --- title: "Provided proper attribution is provided, Google hereby grants permission to reproduce the tables and figures in thi

11,734 字★★★★★
7.2.14.4

translation_notes

主要内容Translation Notes - Paper: Provided proper attribution is provided, Google hereby grants permission to reproduce the tables and figures in this paper

120 字★★★☆☆
7.2.15.1

Efficient Estimation of Word Representations in Vector Space Tomas Mikolov Kai Chen Google Inc., Mountain View, CA Google Inc., Mountain View, CA

主要内容--- title: "Efficient Estimation of Word Representations in Vector Space Tomas Mikolov Kai Chen Google Inc., Mountain View, CA Google Inc., Mountain V

7,931 字★★★★☆
7.2.15.2

Efficient Estimation of Word Representations in Vector Space Tomas Mikolov Kai Chen Google Inc., Mountain View, CA Google Inc., Mountain View, CA - 中英文对照

主要内容translated: 2026-07-16 --- title: "Efficient Estimation of Word Representations in Vector Space Tomas Mikolov Kai Chen Google Inc., Mountain View, CA

17,581 字★★★★★
7.2.15.3

Efficient Estimation of Word Representations in Vector Space Tomas Mikolov Kai Chen Google Inc., Mountain View, CA Google Inc., Mountain View, CA - 全部中文论文

主要内容translated: 2026-07-16 --- title: "Efficient Estimation of Word Representations in Vector Space Tomas Mikolov Kai Chen Google Inc., Mountain View, CA

9,994 字★★★★★
7.2.15.4

translation_notes

主要内容Translation Notes - Paper: Efficient Estimation of Word Representations in Vector Space Tomas Mikolov Kai Chen Google Inc., Mountain View, CA Google I

118 字★★★☆☆
7.3

README

主要内容References 外部资料、链接、摘录、说明文档放这里。 注意 这里保存“来源材料”，不是你的最终理解。最终理解应整理到 20-Knowledge 。

43 字★★☆☆☆
7.1

第 X 章 标题

主要内容数理统计教材章节目录与填充模板 教材章节 章 标题 重点程度 当前状态 --- --- --- --- 第 1 章 绪论 必学 已导入章节学习页 第 2 章 抽样分布及若干预备知识 必学 已导入章节学习页 第 3 章 点估计 必学 已导入章节学习页 第 4 章 区间估计 必学 已导入章节学习页 第

172 字★★★☆☆
8.1

标题

主要内容标题 原始问题 Codex 输出摘要 我确认有用的部分 后续动作 - 应链接到 -

27 字★★☆☆☆
8.2

概念名

主要内容概念名 一句话定义 为什么重要 数学形式或算法形式 典型使用场景 容易混淆 连接 -

34 字★★☆☆☆
8.3

标题

主要内容标题 本节核心问题 主要结论 推导或证明 例题 易错点 应链接到 -

26 字★★☆☆☆
8.4

题目

主要内容题目 题干 我的解法 正确解法 错因 关联知识 - 复习状态 - 第一次复习 - 第二次复习 - 考前复习

36 字★★☆☆☆
8.5

标题

主要内容标题 一句话结论 背景 核心内容 可复用做法 相关链接 -

22 字★★☆☆☆
8.6

流程名称

主要内容流程名称 适用场景 输入 步骤 1. 2. 3. 输出 质量检查 -

21 字★★☆☆☆
9

Home

主要内容Codex Knowledge Vault 这是你的 Obsidian 知识库首页。当前核心目标是管理三门课的学习网络： - 05-Courses/数理统计/数理统计 数理统计 - 05-Courses/数理统计/统计推断 统计推断总入口 - 05-Courses/极值/极值 极值 - 05-Cou

366 字★★★☆☆
10.1.1

公式逐条解释：Extremal Dependence and Community-Structured Risk

主要内容公式逐条解释：Extremal Dependence and Community-Structured Risk 公式 1 原式/专业表达： R uv t = X u t ,X v t 2 符号解释： 把两个节点 u 和 v 的风险向量合并，计算欧氏长度。 直觉解释： 长度越大，说明这两个节点组合起

2,911 字★★★★☆
10.1.2

Extremal Dependence and Community-Structured Risk Propagation in Complex Social Information Networks

主要内容Extremal Dependence and Community-Structured Risk Propagation in Complex Social Information Networks 读者定位：这份笔记按“没有数理基础也能读懂”的方式写。先给直觉，再给专业表达，再解释公式。英文原文

4,158 字★★★★☆
10.1.3

Translation Notes

主要内容Translation Notes - Source: user-provided PDF, copied locally as source.pdf . - Extraction mode: selectable-text PDF via pdfplumber . - Output mode: p

152 字★★★☆☆
10.2

Reference 文献精读入口

主要内容Reference 文献精读入口 这个文件夹用于放 Obsidian 中直接可见的论文精读材料。 已导入论文 - TPDM极端依赖网络论文精读入口

46 字★★☆☆☆
10.3

TPDM 极端依赖网络论文精读入口

主要内容TPDM 极端依赖网络论文精读入口 论文 Extremal Dependence and Community-Structured Risk Propagation in Complex Social Information Networks 入口文件 - Extremal Dependence C

142 字★★★☆☆