知识地图

专业知识 · 20-Knowledge/跨课程连接/知识地图.md

知识地图

总体判断

当前知识库已经形成三条主线：数理统计、极值理论、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：概念解释、公式、跨概念关联、应用场景、易错点、课后习题和答案。

更细的建设状态见知识建设盘点。

核心知识图谱


graph TD

  ST["数理统计"] --> SUF["充分统计量"]

  ST --> MLE["最大似然估计"]

  ST --> HT["假设检验"]

  ST --> CI["置信区间"]

  ST --> AN["渐近正态性"]



  MLE --> SUF

  MLE --> HT

  AN --> CI

  HT --> CI



  EVT["极值理论"] --> GEV["广义极值分布"]

  EVT --> POT["POT 方法"]

  POT --> GPD["广义帕累托分布"]

  GEV --> XI["尾部指数"]

  GPD --> XI

  XI --> RL["重现水平"]

  GEV --> RL

  POT --> RL



  AI["人工智能"] --> SL["监督学习"]

  SL --> LOSS["损失函数"]

  SL --> NN["神经网络"]

  LOSS --> REG["过拟合与正则化"]

  REG --> EVAL["模型评估"]

  NN --> EVAL



  MLE --> LOSS

  HT --> EVAL

  CI --> EVAL

  AN --> GEV

  POT --> EVAL

  XI --> EVAL

三门课的主干关系

数理统计提供估计、检验、区间和渐近理论，是 AI 模型训练与评估的统计基础。
极值理论扩展了普通统计对“均值附近波动”的关注，专门处理最大值、超阈值和尾部风险。
人工智能把统计估计和优化思想放进预测任务中，尤其依赖损失函数、泛化评估和不确定性判断。

重点跨课程连接

../统计推断/最大似然估计 -> ../人工智能/损失函数：负对数似然就是许多机器学习损失函数的来源。
../统计推断/假设检验 -> ../人工智能/模型评估：模型 A 是否真的优于模型 B，需要显著性判断。
../统计推断/置信区间 -> ../人工智能/模型评估：模型指标不能只看点估计，还要看区间。
../统计推断/渐近正态性 -> ../极值理论/广义极值分布：普通均值的极限与最大值的极限不同，这是极值理论的入口。
../极值理论/POT 方法 -> ../人工智能/模型评估：当模型用于风险预测时，尾部错误比平均错误更重要。
../极值理论/尾部指数 -> ../人工智能/模型评估：低估尾部指数会导致模型低估极端风险。

下一步待补链接

[ ] 增加“指数族”卡片，连接 ../统计推断/充分统计量与 ../统计推断/最大似然估计。
[ ] 增加“交叉验证”卡片，连接 ../人工智能/模型评估与 ../人工智能/过拟合与正则化。
[ ] 增加“似然比检验”卡片，连接 ../统计推断/假设检验与 ../统计推断/最大似然估计。
[ ] 增加“极端风险评估”卡片，连接 ../极值理论/POT 方法、../极值理论/重现水平与 ../人工智能/模型评估。

反向链接

全库导览
Knowledge
知识建设盘点
Obsidian 学习工作流
Home