综合实践
学习计划、实践流程、论文与组会、AI 工具与复盘。
全部文件
416 篇快速开始
主要内容快速开始 你每天要做什么 每天只做三件事： 1. 学 2-3 个概念，填入 01 专业概念地图/概念卡模板.md 。 2. 把今天学的概念改写成一句“能在课堂或组会说出口的话”。 3. 用 03 AI提示词库/通用提示词.md 向 AI 提问，并保存一次高质量问答。 每周最低产出 - 10 张概念卡
当前进度
主要内容当前进度 已完成 - 学习仓库结构已建立。 - Codex 长期规则 AGENTS.md 已建立。 - 12 周路线图已建立。 - 第 1 周复盘文件已建立。 - 第 1 周 10 张概念卡已建立。 - AI 提示词库和示例已建立。 - Codex 工作流和任务清单已建立。 - 组会模拟、导师沟通、
MIT 6.S191 课前概念地图
主要内容MIT 6.S191 课前概念地图 来源：<https://introtodeeplearning.com/ 用途：看 MIT 6.S191 录像前，用最小概念集降低听课阻力。 第一层：所有讲都会反复出现 概念 一句话定义 你要能回答的问题 --- --- --- tensor 承载数据和参数的多维
极值与复杂网络名词表
主要内容极值与复杂网络名词表 1. graph / 图 一句话定义：由节点和边组成的结构，用来表示对象之间的关系。 解决什么问题：把真实系统中的连接关系形式化，例如网页链接、社交关系、论文引用。 交流时可以怎么说：这里我把系统抽象成一个 graph，节点表示对象，边表示对象之间的关系。 2. degree
RGCN 第一章概念总表：复杂网络名词地图
主要内容RGCN 第一章概念总表：复杂网络名词地图 使用方式 这份文件是第一章概念入口。需要完整教辅、代码和作业答案时，读： 08 资料库/RGCN 第一章完整教辅 复杂网络名词地图.md 核心概念 概念 一句话定义 第一章中要掌握的重点 --- --- --- graph 由节点和边组成的关系结构 把真实
核心概念清单
主要内容核心概念清单 极值理论 - 极端事件 Extreme Event - 尾部风险 Tail Risk - 重尾分布 Heavy-tailed Distribution - 最大值分布 Maximum Distribution - 广义极值分布 GEV - 广义帕累托分布 GPD - 阈值超越法 POT
概念卡：AI 协作 AI Collaboration
主要内容概念卡：AI 协作 AI Collaboration 一句话定义 AI 协作是把 AI 作为学习、拆题、写代码、检查表达和复盘的助手，而不是替代自己判断。 它解决什么问题 它帮助跨专业学习者快速理解概念、生成初稿、调试代码和发现盲点。 典型使用场景 - 解释统计概念。 - 拆解课程作业。 - 读论文
概念卡：ARIMA
主要内容概念卡：ARIMA 一句话定义 ARIMA 是用于建模和预测平稳或差分后平稳时间序列的经典模型。 它解决什么问题 它帮助描述时间序列中的自相关结构，并进行短期预测。 典型使用场景 - 负载预测。 - 金融或经济指标预测。 - 传感器数据趋势建模。 需要知道的关键词 - AR - I - MA - D
概念卡：AUC
主要内容概念卡：AUC 一句话定义 AUC 衡量分类模型把正例排在负例前面的整体能力。 它解决什么问题 它用于评估模型排序能力，尤其在不同分类阈值下比较模型表现。 典型使用场景 - 二分类模型评估。 - 风险评分模型。 - 类别不平衡任务的辅助评价。 需要知道的关键词 - ROC Curve - TPR -
概念卡：Agent-based Model
主要内容概念卡：Agent-based Model 一句话定义 Agent-based Model 是通过模拟许多个体及其规则来观察整体系统行为的模型。 它解决什么问题 它帮助研究个体交互如何产生宏观模式或涌现现象。 典型使用场景 - 群体行为模拟。 - 交通和传播过程。 - 市场或社会系统仿真。 - 复杂
概念卡：Bootstrap
主要内容概念卡：Bootstrap 一句话定义 Bootstrap 是从样本中反复有放回抽样，用来估计统计量不确定性的方法。 它解决什么问题 它在理论分布难以推导时，帮助估计标准误、置信区间和结果稳定性。 典型使用场景 - 估计均值或中位数置信区间。 - 检查模型指标稳定性。 - 小样本或复杂统计量的不确定
概念卡：Codex
主要内容概念卡：Codex 一句话定义 Codex 是可以在本地工作区中读写文件、生成代码、整理资料和维护学习仓库的 AI 编程助手。 它解决什么问题 它把 AI 协作从聊天扩展到可维护的文件、notebook、模板、代码和项目结构。 典型使用场景 - 创建概念卡。 - 生成 notebook。 - 检查代
概念卡：Expected Shortfall
主要内容概念卡：Expected Shortfall 一句话定义 Expected Shortfall 是超过 VaR 阈值后的平均损失。 它解决什么问题 它补充 VaR 的不足，关注“极端情况已经发生后，平均会有多严重”。 典型使用场景 - 金融尾部风险评估。 - 系统故障损失分析。 - 比较不同模型对极
概念卡：广义极值分布 GEV
主要内容概念卡：广义极值分布 GEV 一句话定义 GEV 是用于建模一段时间或一组样本中最大值的极值分布族。 它解决什么问题 它帮助我们分析“每年最大洪水”“每天最大负荷”“每月最大损失”这类块最大值数据。 典型使用场景 - 年最大降雨量。 - 日最大系统负载。 - 月度最大金融损失。 需要知道的关键词 -
概念卡：广义帕累托分布 GPD
主要内容概念卡：广义帕累托分布 GPD 一句话定义 GPD 是用于建模超过高阈值部分数据的极值分布。 它解决什么问题 它帮助我们分析“超过某个危险阈值之后，极端损失还会有多大”。 典型使用场景 - 超过 95% 分位数的金融损失。 - 超过警戒水位的洪水高度。 - 超过系统负载阈值后的故障风险。 需要知道的
概念卡：Granger 因果 Granger Causality
主要内容概念卡：Granger 因果 Granger Causality 一句话定义 Granger 因果检验判断一个时间序列的过去值是否能帮助预测另一个时间序列。 它解决什么问题 它用于分析时间序列之间的预测先后关系，但不是严格哲学或实验意义上的因果。 典型使用场景 - 经济变量关系。 - 系统指标之间的
概念卡：Markov 链 Markov Chain
主要内容概念卡：Markov 链 Markov Chain 一句话定义 Markov 链是一种下一状态只依赖当前状态而不依赖更早历史的随机过程。 它解决什么问题 它用于建模系统状态随时间随机转移的过程。 典型使用场景 - 用户状态转移。 - 系统健康状态变化。 - 随机游走和 PageRank。 - 简化复
概念卡：Notebook
主要内容概念卡：Notebook 一句话定义 Notebook 是把代码、图表、结果和文字解释放在一起的交互式分析文档。 它解决什么问题 它适合课程作业、数据分析、论文复现和组会展示。 典型使用场景 - 数据清洗。 - 模型训练。 - 图表生成。 - 结果解释。 - 复现实验。 需要知道的关键词 - Cel
概念卡：主成分分析 PCA
主要内容概念卡：主成分分析 PCA 一句话定义 PCA 是把高维变量转换成少数几个保留主要变异信息的新变量的降维方法。 它解决什么问题 它用于降低维度、压缩信息、可视化和缓解特征冗余。 典型使用场景 - 高维数据可视化。 - 特征很多且相关性强。 - 降维后再建模或聚类。 需要知道的关键词 - Princi
概念卡：阈值超越法 POT
主要内容概念卡：阈值超越法 POT 一句话定义 POT 是只分析超过高阈值样本的极值建模方法。 它解决什么问题 它让我们把注意力集中在真正重要的尾部样本上，而不是用整体分布稀释极端风险。 典型使用场景 - 分析超过某个亏损阈值的金融风险。 - 分析超过承载能力的系统负载。 - 分析超过警戒线的环境或安全指标
概念卡：PageRank
主要内容概念卡：PageRank 一句话定义 PageRank 是根据网络链接结构衡量节点重要性的算法。 它解决什么问题 它帮助识别网络中被重要节点指向、因此整体影响力较高的节点。 典型使用场景 - 网页排序。 - 有向网络节点重要性。 - 引用网络、传播网络分析。 需要知道的关键词 - Directed
概念卡：Prompt Engineering
主要内容概念卡：Prompt Engineering 一句话定义 Prompt Engineering 是设计清晰上下文、目标、约束和输出格式，让 AI 产生更可靠结果的方法。 它解决什么问题 它减少 AI 答非所问、过度自信、缺少假设和输出不可用的问题。 典型使用场景 - 概念解释。 - 论文精读。 -
概念卡：RAG Retrieval-Augmented Generation
主要内容概念卡：RAG Retrieval-Augmented Generation 一句话定义 RAG 是先从资料库检索相关内容，再让 AI 基于检索材料生成回答的方法。 它解决什么问题 它减少 AI 凭空编造，使回答更贴近指定论文、课程资料或个人知识库。 典型使用场景 - 基于导师论文回答问题。 - 基
概念卡：SQL
主要内容概念卡：SQL 一句话定义 SQL 是用于查询、筛选、聚合和管理结构化数据的语言。 它解决什么问题 它帮助我们从数据库中取出需要的数据，并完成基础统计汇总。 典型使用场景 - 查询某段时间的数据。 - 按类别分组统计。 - 多张表连接。 需要知道的关键词 - SELECT - WHERE - GRO
概念卡：Spark
主要内容概念卡：Spark 一句话定义 Spark 是用于大规模数据处理和分布式计算的计算框架。 它解决什么问题 它让数据处理任务可以分布到多台机器上执行，从而处理单机难以承受的数据规模。 典型使用场景 - 大规模日志处理。 - 数据清洗和特征工程。 - 分布式机器学习流程。 需要知道的关键词 - Dist
概念卡：TPDM 极端依赖网络
主要内容概念卡：TPDM 极端依赖网络 一句话定义 TPDM 极端依赖网络是把“两个节点在极端状态下是否一起异常活跃”转化为边权的一种网络表示。 解决什么问题 普通相关系数容易看漏危机时刻才出现的同步爆发；TPDM 专门看尾部区域。 典型场景 谣言爆发、极端情绪扩散、跨社区话题传播、金融/信息系统尾部风险联
概念卡：风险价值 VaR
主要内容概念卡：风险价值 VaR 一句话定义 VaR 是在给定置信水平下，损失不会超过的阈值。 它解决什么问题 它用一个分位数指标概括“在大多数情况下，最坏会亏到什么程度”。 典型使用场景 - 金融风险管理。 - 系统损失阈值设定。 - 极端风险报告。 需要知道的关键词 - Quantile - Confi
概念卡：p 值 p-value
主要内容概念卡：p 值 p-value 一句话定义 p 值是在原假设成立时，观察到当前或更极端结果的概率。 它解决什么问题 它帮助我们判断样本结果是否足够反常，从而是否有证据拒绝原假设。 典型使用场景 - 判断回归系数是否显著。 - 比较两组差异是否显著。 - 检查某个统计假设是否被数据支持。 需要知道的关
概念卡：中心性 Centrality
主要内容概念卡：中心性 Centrality 一句话定义 中心性是衡量网络中节点重要程度的一类指标。 它解决什么问题 它帮助识别网络中的关键节点、桥梁节点或影响力节点。 典型使用场景 - 社交网络中的关键人物。 - 交通网络中的关键站点。 - 金融网络中的系统重要机构。 需要知道的关键词 - Degree
概念卡：中心极限定理 Central Limit Theorem
主要内容概念卡：中心极限定理 Central Limit Theorem 一句话定义 中心极限定理说明在一定条件下，大量独立随机变量的平均值会近似服从正态分布。 它解决什么问题 它解释了为什么许多统计推断可以使用正态近似。 典型使用场景 - 构造置信区间。 - 假设检验。 - 解释样本均值分布。 需要知道的
概念卡：主成分分析 Principal Component Analysis
主要内容概念卡：主成分分析 Principal Component Analysis 一句话定义 主成分分析就是 PCA，用少数综合变量概括原始高维变量中的主要变化方向。 它解决什么问题 它降低维度，帮助可视化、压缩信息和处理变量冗余。 典型使用场景 - 高维数据可视化。 - 多指标综合分析。 - 聚类前降
概念卡：交叉验证 Cross Validation
主要内容概念卡：交叉验证 Cross Validation 一句话定义 交叉验证是把数据反复划分为训练和验证部分，用来评估模型泛化能力的方法。 它解决什么问题 它帮助判断模型是否只是在当前样本上表现好，而不能推广到新数据。 典型使用场景 - 比较多个机器学习模型。 - 选择正则化强度。 - 评估预测任务的稳
概念卡：代码复盘 Code Review / Code Reflection
主要内容概念卡：代码复盘 Code Review / Code Reflection 一句话定义 代码复盘是检查代码是否正确、可读、可复现，并总结问题和改进。 它解决什么问题 它帮助你从“代码跑通”提升到“结果可信、别人能看懂、自己能复用”。 典型使用场景 - notebook 完成后。 - 作业提交前。
概念卡：假设检验 Hypothesis Testing
主要内容概念卡：假设检验 Hypothesis Testing 一句话定义 假设检验是用样本数据判断某个统计假设是否有足够证据被拒绝。 它解决什么问题 它帮助我们区分“观察到的差异可能只是随机波动”还是“差异可能具有统计意义”。 典型使用场景 - 比较两组均值是否不同。 - 判断回归系数是否显著。 - 检查
概念卡：分位数回归 Quantile Regression
主要内容概念卡：分位数回归 Quantile Regression 一句话定义 分位数回归是建模结果变量某个分位数与自变量关系的方法。 它解决什么问题 它不只看平均影响，还能分析不同位置，尤其是尾部位置的变化。 典型使用场景 - 分析高风险尾部。 - 收入或损失分布不同分位数。 - 异方差数据。 需要知道的
概念卡：分类 Classification
主要内容概念卡：分类 Classification 一句话定义 分类是预测样本属于哪个类别的监督学习任务。 它解决什么问题 它用于处理结果变量是离散类别的问题。 典型使用场景 - 判断用户是否流失。 - 判断系统是否故障。 - 判断样本是否属于高风险类别。 需要知道的关键词 - Label - Class
概念卡：协方差 Covariance
主要内容概念卡：协方差 Covariance 一句话定义 协方差衡量两个变量是否倾向于一起变化。 它解决什么问题 它帮助判断两个变量变化方向是否相关，是相关系数、回归和多变量统计的基础。 典型使用场景 - 分析两个指标是否同向变化。 - 构造协方差矩阵。 - 研究金融资产或系统变量之间的联动。 需要知道的关
概念卡：可复现环境 Reproducible Environment
主要内容概念卡：可复现环境 Reproducible Environment 一句话定义 可复现环境是记录并固定代码运行所需软件、依赖、版本和随机设置的环境。 它解决什么问题 它保证别人或未来的自己能重新运行分析并得到相近结果。 典型使用场景 - 论文复现。 - 课程项目提交。 - notebook 分享。
概念卡：回归任务 Regression Task
主要内容概念卡：回归任务 Regression Task 一句话定义 回归任务是预测连续数值结果的监督学习任务。 它解决什么问题 它用于估计或预测一个连续变量，如损失、价格、负载或评分。 典型使用场景 - 预测系统负载。 - 预测连续风险分数。 - 估计变量对结果的关联方向和大小。 需要知道的关键词 - C
概念卡：因果推断 Causal Inference
主要内容概念卡：因果推断 Causal Inference 一句话定义 因果推断是研究一个变量变化是否会导致另一个变量变化的方法体系。 它解决什么问题 它帮助我们区分“相关”与“因果”，避免把统计关联误解释为作用机制。 典型使用场景 - 政策或干预效果评估。 - A/B 测试。 - 观察性数据中的处理效应估
概念卡：基准模型 Baseline Model
主要内容概念卡：基准模型 Baseline Model 一句话定义 基准模型是用于比较新方法效果的简单或标准方法。 它解决什么问题 它提供一个参照，帮助判断复杂方法是否真的有改进。 典型使用场景 - 论文实验对比。 - 课程作业初始模型。 - 复现任务中的第一步。 需要知道的关键词 - Baseline -
概念卡：复杂网络 Complex Network
主要内容概念卡：复杂网络 Complex Network 一句话定义 复杂网络用节点和边描述系统中个体及其相互关系。 它解决什么问题 它帮助我们分析结构、连接、传播、中心节点和群体关系。 典型使用场景 - 社交网络。 - 交通网络。 - 金融机构关联网络。 - 传播和级联失效分析。 需要知道的关键词 - N
概念卡：复现 Reproduction
主要内容概念卡：复现 Reproduction 一句话定义 复现是按照论文或项目说明重新实现方法并得到相近结果。 它解决什么问题 它帮助验证论文结果是否可靠，也帮助新手真正理解方法和实验流程。 典型使用场景 - 组会前验证论文图表。 - 导师安排入门任务。 - 课程项目复现论文方法。 需要知道的关键词 -
概念卡：大数定律 Law of Large Numbers
主要内容概念卡：大数定律 Law of Large Numbers 一句话定义 大数定律说明样本数量足够大时，样本平均会趋近于总体期望。 它解决什么问题 它解释了为什么用大量样本的平均值估计总体平均是合理的。 典型使用场景 - 用样本均值估计总体均值。 - 模拟实验和蒙特卡洛方法。 - 理解统计估计的稳定性
概念卡：学术诚信 Academic Integrity
主要内容概念卡：学术诚信 Academic Integrity 一句话定义 学术诚信是在学习、研究和写作中诚实标注来源、避免抄袭、造假和不当使用 AI。 它解决什么问题 它保护研究可信度，也避免课程作业和科研中的严重违规风险。 典型使用场景 - 使用 AI 辅助作业。 - 引用论文。 - 复现代码。 - 报
概念卡：实验记录 Experiment Log
主要内容概念卡：实验记录 Experiment Log 一句话定义 实验记录是系统记录每次实验设置、代码版本、参数、结果和结论的日志。 它解决什么问题 它避免模型实验混乱，保证结果可追踪、可复现、可比较。 典型使用场景 - 调参。 - 论文复现。 - 课程项目多模型比较。 - 导师检查进展。 需要知道的关键
概念卡：实验 Experiments
主要内容概念卡：实验 Experiments 一句话定义 实验部分用数据、指标和对比方法验证论文方法是否有效。 它解决什么问题 它回答“作者的方法是否真的比基准更好、在哪些条件下更好、证据是否充分”。 典型使用场景 - 判断论文结果可靠性。 - 准备组会中的结果汇报。 - 找复现入口。 需要知道的关键词 -
概念卡：导师沟通 Advisor Communication
主要内容概念卡：导师沟通 Advisor Communication 一句话定义 导师沟通是用清晰、可执行、可反馈的方式向导师汇报进展、问题和下一步计划。 它解决什么问题 它避免“我在学习”这种模糊表达，让导师能判断你做了什么、卡在哪里、需要什么支持。 典型使用场景 - 入学前联系导师。 - 组会后汇报。
概念卡：尾部风险 Tail Risk
主要内容概念卡：尾部风险 Tail Risk 一句话定义 尾部风险是分布尾端的小概率高损失风险。 它解决什么问题 它提醒我们不能只看平均表现，还要看极端损失发生时可能有多严重。 典型使用场景 - 金融资产极端亏损。 - 系统故障的极端后果。 - 大规模数据中少数异常样本带来的风险。 需要知道的关键词 - T
概念卡：平稳性 Stationarity
主要内容概念卡：平稳性 Stationarity 一句话定义 平稳性是指时间序列的统计性质随时间基本不变。 它解决什么问题 它是许多时间序列模型的前提，帮助模型在过去规律基础上预测未来。 典型使用场景 - ARIMA 建模前检查。 - 时间序列预测。 - 判断是否需要差分或去趋势。 需要知道的关键词 - M
概念卡：开题报告 Proposal
主要内容概念卡：开题报告 Proposal 一句话定义 开题报告是说明研究背景、问题、方法、可行性和计划的正式研究设计。 它解决什么问题 它证明一个研究题目值得做、能做、怎么做、预期产出是什么。 典型使用场景 - 硕士论文开题。 - 课题申请。 - 研究方向确认。 需要知道的关键词 - Background
概念卡：异常值 Outlier
主要内容概念卡：异常值 Outlier 一句话定义 异常值是明显偏离大多数数据模式的观测值。 它解决什么问题 识别异常值能帮助发现数据错误、特殊事件或极端风险。 典型使用场景 - 数据录入错误。 - 极端损失或极端负载。 - 传感器故障或罕见事件。 需要知道的关键词 - Outlier Detection
概念卡：引言 Introduction
主要内容概念卡：引言 Introduction 一句话定义 引言解释论文为什么要研究这个问题，以及现有研究还缺什么。 它解决什么问题 它帮助读者理解研究背景、问题重要性、研究空白和论文思路。 典型使用场景 - 判断论文研究动机。 - 准备组会背景部分。 - 提取研究问题和贡献声明。 需要知道的关键词 - M
概念卡：损失函数 Loss Function
主要内容概念卡：损失函数 Loss Function 一句话定义 损失函数衡量模型预测结果和真实结果之间的差距。 它解决什么问题 它把“模型表现好不好”转化为一个可以优化的数值目标。 典型使用场景 - 回归中的均方误差。 - 分类中的交叉熵。 - 机器学习模型训练。 需要知道的关键词 - Error - O
概念卡：敏感性分析 Sensitivity Analysis
主要内容概念卡：敏感性分析 Sensitivity Analysis 一句话定义 敏感性分析是研究输入、参数或假设变化时，结果会如何变化。 它解决什么问题 它帮助识别结论对哪些设定最敏感，判断模型结果是否可靠。 典型使用场景 - 改变极值阈值。 - 改变模型超参数。 - 改变缺失值处理方法。 - 改变因果推
概念卡：数据字典 Data Dictionary
主要内容概念卡：数据字典 Data Dictionary 一句话定义 数据字典是说明每个变量名称、含义、类型、单位、取值范围和缺失规则的文档。 它解决什么问题 它让数据分析中的变量含义清楚，减少误用变量和解释错误。 典型使用场景 - 数据清洗。 - 课程项目。 - 论文复现。 - 导师提供数据集。 需要知道
概念卡：数据泄漏 Data Leakage
主要内容概念卡：数据泄漏 Data Leakage 一句话定义 数据泄漏是模型训练时使用了现实预测时不可能获得的信息。 它解决什么问题 识别数据泄漏能避免模型评估虚高，保证结果接近真实应用场景。 典型使用场景 - 训练集中包含未来信息。 - 特征包含目标变量的变体。 - 预处理在全数据上完成后再划分训练测试
概念卡：数据清洗 Data Cleaning
主要内容概念卡：数据清洗 Data Cleaning 一句话定义 数据清洗是发现并处理缺失、重复、异常、格式错误和不一致数据的过程。 它解决什么问题 它保证后续统计分析和机器学习模型建立在相对可靠的数据基础上。 典型使用场景 - 处理缺失值和异常值。 - 统一变量格式和单位。 - 删除重复记录或修正错误标签
概念卡：数据管道 Data Pipeline
主要内容概念卡：数据管道 Data Pipeline 一句话定义 数据管道是把数据从采集、清洗、转换、建模到输出结果串起来的流程。 它解决什么问题 它让数据分析和机器学习任务可复现、可维护、可扩展。 典型使用场景 - 批量处理日志数据。 - 自动化特征生成和模型训练。 - 课程项目或论文复现中的数据流程整理
概念卡：数据说明 Data Documentation
主要内容概念卡：数据说明 Data Documentation 一句话定义 数据说明是记录数据来源、变量含义、处理规则和使用限制的文档。 它解决什么问题 它保证别人和未来的自己能理解数据、复现分析并判断结论边界。 典型使用场景 - 课程项目。 - 论文复现。 - 导师给的数据集。 - 大数据清洗任务。 需要
概念卡：文献汇报 Literature Presentation
主要内容概念卡：文献汇报 Literature Presentation 一句话定义 文献汇报是把一篇或一组论文的研究问题、方法、结果、贡献和局限讲给组内成员。 它解决什么问题 它训练你快速理解论文、提炼价值、接受追问并连接到自己的研究方向。 典型使用场景 - 组会汇报。 - 课程展示。 - 导师检查阅读进
概念卡：文献综述 Literature Review
主要内容概念卡：文献综述 Literature Review 一句话定义 文献综述是对已有研究路线、代表方法和不足的整理。 它解决什么问题 它帮助我们理解一篇论文站在哪些已有工作之上，以及它声称改进了什么。 典型使用场景 - 整理方向知识图谱。 - 准备开题或组会。 - 找入门论文和代表性方法。 需要知道的
概念卡：方差 Variance
主要内容概念卡：方差 Variance 一句话定义 方差衡量随机变量围绕期望波动的程度。 它解决什么问题 它帮助描述数据或随机结果的不稳定性。 典型使用场景 - 描述收益或误差波动。 - 评估估计量不确定性。 - 分析 bias-variance tradeoff。 需要知道的关键词 - Mean - De
概念卡：方法 Methods
主要内容概念卡：方法 Methods 一句话定义 方法部分说明论文如何建模、推导、实现或验证核心想法。 它解决什么问题 它把研究问题转化为可执行的模型、算法、统计方法或实验流程。 典型使用场景 - 判断论文技术路线。 - 准备复现。 - 识别模型假设和输入输出。 需要知道的关键词 - Model - Alg
概念卡：时间序列 Time Series
主要内容概念卡：时间序列 Time Series 一句话定义 时间序列是按时间顺序观测到的数据。 它解决什么问题 它用于分析趋势、周期、滞后关系、波动和未来预测。 典型使用场景 - 金融价格或收益率。 - 系统负载和传感器数据。 - 用户行为或社会指标随时间变化。 需要知道的关键词 - Trend - Se
概念卡：最大似然估计 MLE
主要内容概念卡：最大似然估计 MLE 一句话定义 最大似然估计是选择一组参数，使当前观测数据在模型下最“可能”出现。 它解决什么问题 它提供了一种从数据中估计模型参数的通用方法。 典型使用场景 - 拟合正态分布参数。 - 估计回归模型参数。 - 拟合 GEV、GPD 等统计分布。 需要知道的关键词 - Li
概念卡：最终模拟组会 Final Mock Seminar
主要内容概念卡：最终模拟组会 Final Mock Seminar 一句话定义 最终模拟组会是把概念、论文、代码、实验和表达整合成一次完整汇报演练。 它解决什么问题 它检验你是否能在入学前完成从学习到表达的闭环。 典型使用场景 - 入学前自测。 - 导师沟通前演练。 - 课程展示前准备。 - 组会汇报训练。
概念卡：期望 Expectation
主要内容概念卡：期望 Expectation 一句话定义 期望是随机变量在长期重复观察下的平均水平。 它解决什么问题 它提供一个描述随机变量“中心水平”或“平均结果”的指标。 典型使用场景 - 计算平均损失或平均收益。 - 定义方差、协方差等统计量。 - 机器学习中的期望风险。 需要知道的关键词 - Ran
概念卡：极端事件 Extreme Event
主要内容概念卡：极端事件 Extreme Event 一句话定义 极端事件是发生概率很低、但一旦发生影响很大的事件。 它解决什么问题 它帮助我们从“平均情况”转向“最坏情况”或“罕见但高风险情况”的分析。 典型使用场景 - 金融市场中的极端亏损。 - 城市系统中的突发拥堵或故障。 - 自然灾害、公共安全、网
概念卡：梯度 Gradient
主要内容概念卡：梯度 Gradient 一句话定义 梯度表示函数在各个变量方向上的变化率，指向函数上升最快的方向。 它解决什么问题 它告诉我们如何调整参数，使损失函数变大或变小。 典型使用场景 - 梯度下降优化模型参数。 - 最大化似然或最小化损失。 - 机器学习模型训练。 需要知道的关键词 - Deriv
概念卡：模型诊断 Model Diagnostics
主要内容概念卡：模型诊断 Model Diagnostics 一句话定义 模型诊断是检查模型假设、拟合质量和异常问题的过程。 它解决什么问题 它避免我们只看模型输出数字，却忽略模型是否适合当前数据。 典型使用场景 - 回归残差分析。 - 检查异常点和高影响点。 - 比较模型是否过拟合。 需要知道的关键词 -
概念卡：正则化 Regularization
主要内容概念卡：正则化 Regularization 一句话定义 正则化是在模型训练中加入限制，防止模型过度复杂和过拟合。 它解决什么问题 它帮助模型在新数据上更稳定，而不是只记住训练集细节。 典型使用场景 - 高维回归。 - 机器学习模型调参。 - 特征很多但样本有限的任务。 需要知道的关键词 - Ove
概念卡：残差 Residual
主要内容概念卡：残差 Residual 一句话定义 残差是观测值与模型预测值之间的差。 它解决什么问题 它帮助我们检查模型没有解释掉的部分，从而判断模型是否合适。 典型使用场景 - 回归模型诊断。 - 检查非线性结构。 - 发现异常点或系统性误差。 需要知道的关键词 - Observed Value - F
概念卡：消融实验 Ablation Study
主要内容概念卡：消融实验 Ablation Study 一句话定义 消融实验是去掉或替换模型中的某个组件，观察性能变化，以判断该组件是否有贡献。 它解决什么问题 它帮助验证论文方法中每个模块是否真的有用。 典型使用场景 - 机器学习模型组件验证。 - 特征工程贡献分析。 - 复杂方法的模块解释。 需要知道的
概念卡：涌现 Emergence
主要内容概念卡：涌现 Emergence 一句话定义 涌现是指系统整体表现出个体层面无法直接看出的新性质或新行为。 它解决什么问题 它帮助我们理解为什么简单个体的相互作用会产生复杂的整体模式。 典型使用场景 - 群体行为。 - 交通拥堵。 - 市场波动。 - 网络传播和系统失效。 需要知道的关键词 - In
概念卡：混淆矩阵 Confusion Matrix
主要内容概念卡：混淆矩阵 Confusion Matrix 一句话定义 混淆矩阵展示分类模型预测类别和真实类别之间的对应关系。 它解决什么问题 它帮助我们看清模型错在哪里，是误报多还是漏报多。 典型使用场景 - 二分类模型评估。 - 风险预警模型。 - 类别不平衡任务。 需要知道的关键词 - True Po
概念卡：版本管理 Version Control
主要内容概念卡：版本管理 Version Control 一句话定义 版本管理是记录文件、代码和实验变化历史的方法。 它解决什么问题 它让你知道什么时候改了什么、为什么改、结果是否可回溯。 典型使用场景 - 代码项目。 - 课程项目。 - 论文复现。 - 学习仓库维护。 需要知道的关键词 - Git - C
概念卡：特征值 Eigenvalue
主要内容概念卡：特征值 Eigenvalue 一句话定义 特征值描述矩阵在某些特殊方向上拉伸或压缩的程度。 它解决什么问题 它帮助理解线性变换、稳定性、降维和网络结构。 典型使用场景 - PCA 降维。 - 动力系统稳定性分析。 - 网络邻接矩阵或拉普拉斯矩阵分析。 需要知道的关键词 - Eigenvect
概念卡：特征工程 Feature Engineering
主要内容概念卡：特征工程 Feature Engineering 一句话定义 特征工程是把原始数据转化为更适合模型使用的变量。 它解决什么问题 它让模型能更好地捕捉数据中的信息和结构。 典型使用场景 - 从时间戳提取月份、星期、节假日。 - 对类别变量做编码。 - 构造滞后变量、交互项或网络指标。 需要知道
概念卡：生存分析 Survival Analysis
主要内容概念卡：生存分析 Survival Analysis 一句话定义 生存分析研究某个事件发生所需时间及其影响因素。 它解决什么问题 它用于处理“多久会发生”这类问题，尤其适合存在删失数据的场景。 典型使用场景 - 设备故障时间。 - 用户流失时间。 - 疾病复发时间。 - 系统失效时间。 需要知道的关
概念卡：监督学习 Supervised Learning
主要内容概念卡：监督学习 Supervised Learning 一句话定义 监督学习是利用带标签的数据训练模型，让模型学习输入到输出的映射。 它解决什么问题 它用于分类和回归等预测任务。 典型使用场景 - 预测连续数值。 - 判断样本类别。 - 风险评分或故障预测。 需要知道的关键词 - Label -
概念卡：相关系数 Correlation Coefficient
主要内容概念卡：相关系数 Correlation Coefficient 一句话定义 相关系数是标准化后的协方差，用来衡量两个变量线性相关的方向和强度。 它解决什么问题 它让我们用 -1 到 1 之间的数描述两个变量的线性关系。 典型使用场景 - 初步探索变量关系。 - 检查特征之间是否高度相关。 - 构建
概念卡：知识库 Knowledge Base
主要内容概念卡：知识库 Knowledge Base 一句话定义 知识库是把概念卡、论文笔记、作业案例、代码和数据说明结构化保存的资料系统。 它解决什么问题 它让学习材料可检索、可复用、可交给 AI 作为上下文。 典型使用场景 - 入学前概念体系。 - 论文阅读记录。 - 作业提示词库。 - 代码和实验记录
概念卡：矩阵乘法 Matrix Multiplication
主要内容概念卡：矩阵乘法 Matrix Multiplication 一句话定义 矩阵乘法是一种把多个线性组合同时计算出来的运算。 它解决什么问题 它让多样本、多变量的计算可以用统一、紧凑的形式表示。 典型使用场景 - 线性回归中的 Xβ。 - 神经网络中的线性层。 - 网络邻接矩阵运算。 需要知道的关键词
概念卡：研究计划 Research Plan
主要内容概念卡：研究计划 Research Plan 一句话定义 研究计划是把研究问题、数据、方法、预期产出和时间安排组织成可执行方案的文档。 它解决什么问题 它让模糊兴趣变成导师和自己都能评估的具体任务。 典型使用场景 - 和导师讨论方向。 - 课程项目立题。 - 开题前准备。 - 暑期入组任务安排。 需
概念卡：研究问题 Research Question
主要内容概念卡：研究问题 Research Question 一句话定义 研究问题是论文或项目试图回答的核心问题。 它解决什么问题 它决定数据、方法、评价指标和结论边界。 典型使用场景 - 读论文第一步。 - 写作业报告开头。 - 和导师讨论课题。 需要知道的关键词 - Problem - Objectiv
概念卡：社区发现 Community Detection
主要内容概念卡：社区发现 Community Detection 一句话定义 社区发现是在网络中识别连接更紧密的节点群体。 它解决什么问题 它帮助我们理解网络内部的群体结构和模块化组织。 典型使用场景 - 社交网络群体识别。 - 金融网络中的机构团簇。 - 传播路径和风险模块分析。 需要知道的关键词 - C
概念卡：稳健性检查 Robustness Check
主要内容概念卡：稳健性检查 Robustness Check 一句话定义 稳健性检查是改变合理设定后，观察结论是否仍然成立。 它解决什么问题 它帮助判断结果是否只是某个特定模型、样本或参数选择下的偶然产物。 典型使用场景 - 更换模型。 - 更换评价指标。 - 调整样本范围。 - 改变阈值或变量定义。 需要
概念卡：系统动力学 System Dynamics
主要内容概念卡：系统动力学 System Dynamics 一句话定义 系统动力学是用反馈回路、库存和流量来描述系统随时间变化的方法。 它解决什么问题 它帮助分析系统中反馈机制、延迟效应和长期动态行为。 典型使用场景 - 资源系统。 - 人口或传播模型。 - 组织和政策系统。 - 复杂系统反馈分析。 需要知
概念卡：线性回归 Linear Regression
主要内容概念卡：线性回归 Linear Regression 一句话定义 线性回归用一个或多个变量的线性组合解释或预测一个连续结果变量。 它解决什么问题 它用于描述变量之间的关系，并建立最基础的解释或预测模型。 典型使用场景 - 研究某个因素与结果变量的关系。 - 建立基准预测模型。 - 检查变量影响方向和
概念卡：组会提问 Seminar Questions
主要内容概念卡：组会提问 Seminar Questions 一句话定义 组会提问是在汇报或讨论中提出能推动理解和研究的问题。 它解决什么问题 它帮助你从被动听懂转向主动参与，同时暴露自己的理解边界。 典型使用场景 - 听同学汇报。 - 导师讨论论文。 - 课程展示后提问。 需要知道的关键词 - Assum
概念卡：缺失值 Missing Value
主要内容概念卡：缺失值 Missing Value 一句话定义 缺失值是数据中本应有但没有记录到的值。 它解决什么问题 处理缺失值能减少数据偏差和模型错误，但处理方式必须符合缺失机制。 典型使用场景 - 问卷或传感器数据缺项。 - 数据库字段未记录。 - 不同来源数据合并后产生缺失。 需要知道的关键词 -
概念卡：置信区间 Confidence Interval
主要内容概念卡：置信区间 Confidence Interval 一句话定义 置信区间是用样本数据给参数估计提供不确定性范围。 它解决什么问题 它不只告诉我们一个估计值，还告诉我们这个估计可能有多不稳定。 典型使用场景 - 均值估计。 - 回归系数估计。 - 风险指标不确定性评估。 需要知道的关键词 - E
概念卡：置信带 Confidence Band
主要内容概念卡：置信带 Confidence Band 一句话定义 置信带是对一条曲线或函数估计不确定性的区间范围。 它解决什么问题 它比单个置信区间更适合表达整条拟合曲线、预测曲线或时间趋势的不确定性。 典型使用场景 - 回归拟合曲线。 - 时间序列预测区间。 - 非参数平滑结果。 - 极值返回水平曲线。
概念卡：聚类 Clustering
主要内容概念卡：聚类 Clustering 一句话定义 聚类是在没有标签的情况下，把相似样本分成若干组。 它解决什么问题 它用于探索数据中可能存在的群体结构。 典型使用场景 - 用户分群。 - 风险模式识别。 - 网络节点或时间片段分组。 需要知道的关键词 - Unsupervised Learning -
概念卡：自相关 Autocorrelation
主要内容概念卡：自相关 Autocorrelation 一句话定义 自相关是时间序列当前值与自身过去值之间的相关性。 它解决什么问题 它帮助判断时间序列是否存在记忆、滞后影响或周期结构。 典型使用场景 - 时间序列建模。 - 检查回归残差是否独立。 - 判断是否适合 ARIMA。 需要知道的关键词 - La
概念卡：蒙特卡洛模拟 Monte Carlo Simulation
主要内容概念卡：蒙特卡洛模拟 Monte Carlo Simulation 一句话定义 蒙特卡洛模拟是通过大量随机重复实验来估计结果分布或数值答案的方法。 它解决什么问题 它帮助我们在解析计算困难时，用随机模拟近似概率、期望、风险或模型表现。 典型使用场景 - 估计复杂概率。 - 模拟风险损失分布。 - 检
概念卡：论文摘要 Abstract
主要内容概念卡：论文摘要 Abstract 一句话定义 摘要是论文对研究问题、方法、结果和贡献的高度压缩总结。 它解决什么问题 它帮助读者快速判断论文是否相关、解决什么问题、用了什么方法、得到什么结论。 典型使用场景 - 快速筛选论文。 - 准备文献汇报开场。 - 提取研究问题和方法关键词。 需要知道的关键
概念卡：评价指标 Evaluation Metrics
主要内容概念卡：评价指标 Evaluation Metrics 一句话定义 评价指标是用来衡量模型表现的数值标准。 它解决什么问题 它把“模型好不好”具体化，但不同任务需要不同指标。 典型使用场景 - 分类模型看 accuracy、precision、recall、F1、AUC。 - 回归模型看 MAE、M
概念卡：课程项目 Course Project
主要内容概念卡：课程项目 Course Project 一句话定义 课程项目是围绕一个问题完成数据、方法、实验和报告的综合作业。 它解决什么问题 它训练你把课程知识转化为一个完整的小研究或小分析。 典型使用场景 - 应用统计课程。 - 机器学习课程。 - 大数据课程。 - 复杂系统课程。 需要知道的关键词
概念卡：贝叶斯推断 Bayesian Inference
主要内容概念卡：贝叶斯推断 Bayesian Inference 一句话定义 贝叶斯推断是用先验信息和观测数据共同更新我们对未知参数或假设的判断。 它解决什么问题 它让统计推断不仅依赖当前样本，还可以把已有知识、不确定性和新证据结合起来。 典型使用场景 - 小样本下结合先验知识。 - 动态更新风险判断。 -
概念卡：贡献 Contribution
主要内容概念卡：贡献 Contribution 一句话定义 贡献是论文相对于已有工作的新增价值。 它解决什么问题 它回答“这篇论文为什么值得读、它比已有研究多做了什么”。 典型使用场景 - 读引言和结论。 - 准备组会汇报。 - 判断论文质量。 需要知道的关键词 - Novelty - Improvemen
概念卡：过拟合 Overfitting
主要内容概念卡：过拟合 Overfitting 一句话定义 过拟合是模型过度适应训练数据细节，导致在新数据上表现变差。 它解决什么问题 理解过拟合能帮助我们判断模型是否真的学到了规律，还是只记住了样本噪声。 典型使用场景 - 训练集表现很好但测试集表现差。 - 模型太复杂、特征太多。 - 样本量不足时使用复
概念卡：逻辑回归 Logistic Regression
主要内容概念卡：逻辑回归 Logistic Regression 一句话定义 逻辑回归是用于二分类或多分类任务的基础统计模型，输出样本属于某一类的概率。 它解决什么问题 它用于预测类别，并解释特征与类别概率之间的关系。 典型使用场景 - 是否高风险。 - 是否故障。 - 是否流失。 - 是否通过某个阈值。
概念卡：邻接矩阵 Adjacency Matrix
主要内容概念卡：邻接矩阵 Adjacency Matrix 一句话定义 邻接矩阵是用矩阵表示网络中节点之间连接关系的方式。 它解决什么问题 它把网络结构转化为可以计算的数学对象。 典型使用场景 - 社交网络。 - 交通网络。 - 金融关联网络。 - 传播和 PageRank 计算。 需要知道的关键词 - N
概念卡：重尾分布 Heavy-tailed Distribution
主要内容概念卡：重尾分布 Heavy-tailed Distribution 一句话定义 重尾分布是尾部下降较慢、极端值出现概率比常见正态分布更高的分布。 它解决什么问题 它用于解释为什么现实中某些极端事件比正态假设下更常见。 典型使用场景 - 金融收益或亏损。 - 网络流量和节点连接数。 - 城市规模、财
概念卡：随机森林 Random Forest
主要内容概念卡：随机森林 Random Forest 一句话定义 随机森林是由多棵决策树组成的集成学习模型。 它解决什么问题 它通过组合多棵树降低单棵树的不稳定性，提高预测表现。 典型使用场景 - 分类和回归预测。 - 非线性关系建模。 - 特征重要性初步分析。 需要知道的关键词 - Decision Tr
概念卡模板
主要内容概念卡模板 概念名称 - 中文： - 英文： - 所属领域：极值理论 / 应用统计 / 大数据 / 复杂系统 / 机器学习 / 时间序列 / 其他 一句话定义 用一句话说明它是什么。 它解决什么问题 说明它在研究或作业中通常用来处理什么问题。 典型使用场景 - 场景 1： - 场景 2： - 场景
统计推断核心概念索引
主要内容统计推断核心概念索引 待填充概念卡 第 1 章 绪论 - x ../../13 课程Obsidian看板/数理统计/统计推断/01 绪论/章节学习页 总体 population 总体 - x ../../13 课程Obsidian看板/数理统计/统计推断/01 绪论/章节学习页 样本 sample
三分钟解释脚本
主要内容三分钟解释脚本 极值理论 极值理论关注的不是一般情况下数据如何变化，而是极端情况下会发生什么。普通统计经常关心均值、方差和整体趋势，但在金融风险、自然灾害、系统故障这类问题中，真正重要的往往是尾部，也就是小概率但高影响的事件。入门时我会把它理解为一种专门研究“最坏情况”和“尾部风险”的统计框架。常见
统计推断专业表达模板
主要内容统计推断专业表达模板 通用表达 描述总体和样本 本问题可以表述为从未知总体中获得容量为 n 的随机样本，并希望基于样本信息推断总体参数或分布特征。 描述估计问题 设目标参数为 theta。我们构造统计量 T X1,...,Xn 作为 theta 的估计量，并从偏差、方差和均方误差角度评价其表现。 描
课堂与组会表达模板
主要内容课堂与组会表达模板 当你听懂大概方向，但不确定细节 - 我理解这个问题大概属于【尾部建模/时间序列/网络结构/模型诊断】这一类，但具体假设我还需要再确认。 - 这里的关键似乎不是平均水平，而是【极端情况/波动结构/依赖关系/预测稳定性】。 - 我目前理解到的是方法的用途，还没有完全掌握推导细节。 当
高频专业问答
主要内容高频专业问答 Q1：你现在主要补什么？ 我现在不追求短期内把所有数学细节补完，而是先建立极值理论、应用统计、大数据和复杂系统的概念框架。目标是能听懂课程和组会中的问题类型，并能借助 AI 和代码工具完成初步分析。 Q2：你为什么关注极值理论？ 我理解极值理论主要处理小概率但高影响的事件，比如风险、灾
Codex 提示词
主要内容Codex 提示词 创建概念卡 请基于 01 专业概念地图/概念卡模板.md ，为【概念名称】创建一张概念卡。 要求： - 面向跨专业硕士新生； - 不深挖证明； - 必须包含课堂/组会可用表达； - 必须包含可以继续问 AI 的提示词； - 保存到 01 专业概念地图/概念卡 【概念名称】.md
MIT 6.S191 视频学习提示词
主要内容MIT 6.S191 视频学习提示词 用途：看 MIT 6.S191 录像、slides、labs 时，让 AI 帮你拆解而不是代替你理解。 1. 看视频前：预习提示词 2. 看视频后：笔记整理提示词 3. 跑 lab 报错时：代码协作提示词 4. 检查自己是否真的懂了 5. 和研究方向连接
一周 AI 提示词合集
主要内容一周 AI 提示词合集 1. 概念解释 2. 公式推导 3. notebook 解释 4. 口头汇报训练 5. 自测问答
专业 AI 知识库提示词
主要内容专业 AI 知识库提示词 整理资料入库 请把下面材料整理成适合放入个人专业知识库的 Markdown。 要求： 1. 提取标题、来源、关键词； 2. 按概念、方法、数据、代码、问题分类； 3. 标注不确定或需要查证的地方； 4. 生成 5 个可检索关键词； 5. 生成后续可以问 AI 的问题。 材料
专业 AI 训练记录模板
主要内容专业 AI 训练记录模板 基本信息 - 日期： - 任务类型：概念 / 作业 / 论文 / 代码 / 组会表达 - 领域：极值 / 应用统计 / 大数据 / 复杂系统 / 其他 原始问题 我使用的提示词 AI 的有效输出 AI 的问题 - 是否有过度自信： - 是否缺少假设： - 是否没有出处： -
作业万能提示词
主要内容作业万能提示词 版本 1：刚拿到题目 我有一道课程作业，需要你先帮我拆解，而不是直接给最终答案。 我的背景：本科非数学统计专业，即将读智能复杂体系方向硕士，会一点 Python。 题目如下： 【粘贴题目】 请按以下结构回答： 1. 这道题属于什么类型：概念 / 推导 / 统计建模 / 数据分析 /
公式推导提示词
主要内容公式推导提示词 解释公式 请解释下面这个公式。 我的背景：跨专业硕士新生，数学统计基础较弱。 要求： 1. 判断公式属于哪个领域； 2. 建立符号表； 3. 解释输入、操作、输出； 4. 给直觉解释； 5. 给专业表达； 6. 标出隐含假设； 7. 告诉我作业里怎么写。 公式： 【粘贴公式】 推导公
导师沟通提示词
主要内容导师沟通提示词 周报改写 请把下面内容改写成适合发给导师的简短周报。 要求： 1. 语气专业、简洁； 2. 包含已完成、卡点、下一步； 3. 不夸大进展； 4. 明确需要导师确认的问题。 内容： 【粘贴内容】 组会后总结 请把下面组会记录整理成行动清单。 要求： 1. 提取导师或同学给的建议； 2.
AI 提示词：精读 TPDM 极端依赖网络论文
主要内容AI 提示词：精读 TPDM 极端依赖网络论文 请按跨专业硕士新生能理解的方式精读论文《Extremal Dependence and Community-Structured Risk Propagation in Complex Social Information Networks》。要求：
数学补课提示词
主要内容数学补课提示词 看不懂符号时 请帮我解释下面这段数学符号。 我的背景：跨专业硕士新生，数学基础较弱。 要求： 1. 每个符号逐一解释； 2. 区分数据、参数、随机变量、函数； 3. 说明公式整体在做什么； 4. 给一个不使用复杂符号的直觉解释； 5. 给一个作业可写版本； 6. 标出我暂时可以先不深
数据分析提示词
主要内容数据分析提示词 从零开始 我有一个数据分析作业。 我的背景：跨专业硕士新生，会一点 Python。 请不要直接给最终报告，先帮我拆流程。 任务描述： 【粘贴任务】 请输出： 1. 任务类型； 2. 目标变量和特征； 3. 需要检查的数据质量问题； 4. 基准模型建议； 5. 评价指标； 6. Pyt
模型选择提示词
主要内容模型选择提示词 任务识别 请帮我判断下面任务应该归类为分类、回归、聚类、时间序列、网络分析、极值建模还是因果推断。 要求： 1. 说明判断依据； 2. 给出最简单基准模型； 3. 给出推荐评价指标； 4. 列出数据检查项； 5. 说明不能过度解释的结论。 任务： 【粘贴任务】 基准模型选择 请为下面
示例：让 AI 不只是写代码，还要解释结果
主要内容示例：让 AI 不只是写代码，还要解释结果 原始模糊问题 帮我写个回归代码。 更专业的改写 我需要用 Python 做一个线性回归基准模型，并且能把结果写进课程报告。请同时给代码、诊断和解释。 推荐提示词 请用 Python 写一个线性回归基准模型。 背景：我是跨专业硕士新生，会一点 Python。
示例：把作业题拆成 AI 可协作任务
主要内容示例：把作业题拆成 AI 可协作任务 原始模糊问题 老师让我们分析一组数据，判断某个变量对结果有没有影响。我不知道该用什么方法。 更专业的改写 我有一个应用统计作业，需要判断自变量 X 是否与连续结果变量 Y 有关系。 我的目标不是做因果识别，而是先建立一个解释型基准模型。 请帮我判断是否可以从线性
示例：把“不懂”改写成专业表达
主要内容示例：把“不懂”改写成专业表达 原始表达 我没太看懂这个模型，感觉有点复杂。 更专业的表达 我目前理解这个模型的应用目标是……，但对它的参数估计和假设条件还没有完全掌握。为了避免误解，我想先确认：这个模型主要解决的是预测问题、解释问题，还是尾部风险建模问题？ 推荐提示词 请把下面这段话改写成适合组会
示例：把论文阅读变成组会材料
主要内容示例：把论文阅读变成组会材料 原始模糊问题 这篇论文我看不懂，帮我总结一下。 更专业的改写 我需要为组会准备一篇和极值/应用统计/复杂系统相关的论文。 请不要只做摘要翻译，而是帮我提取研究问题、方法、数据、结论、局限和可追问的问题。 推荐提示词 请帮我阅读下面这篇论文的摘要和引言。 我的背景：跨专业
稳健性检查提示词
主要内容稳健性检查提示词 设计稳健性检查 请为下面的数据分析结果设计稳健性检查。 我的背景：跨专业硕士新生，需要完成课程作业。 结果： 【粘贴结果】 请输出： 1. 当前结论依赖哪些模型、参数或假设； 2. 可以从模型、样本、指标、阈值、变量定义五个方向做哪些检查； 3. 每个检查如何实施； 4. 如果结果
统计推断 AI 提示词索引
主要内容统计推断 AI 提示词索引 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 Python 示例 - 作业可写表述”的顺序讲解本章核心内容。默认我是跨专业学生，有一点 Python 基础，但数学统计按入门处理。 概念卡提示词 请为“概念名”生
论文精读提示词
主要内容论文精读提示词 摘要精读 请帮我精读论文摘要。 我的背景：跨专业硕士新生。 要求： 1. 提取研究问题； 2. 判断方法类型； 3. 提取数据和指标； 4. 说明作者声称的贡献； 5. 判断哪些说法需要回到正文验证； 6. 给 5 分钟组会开场。 摘要： 【粘贴摘要】 引言精读 请帮我精读论文引言。
通用 AI 提示词
主要内容通用 AI 提示词 概念学习 请用跨专业硕士新生能懂的方式解释【概念】。 要求： 1. 先给直觉解释； 2. 再给专业定义； 3. 说明它解决什么问题； 4. 给一个极值/应用统计/大数据/复杂系统中的例子； 5. 给出课堂或组会中可以使用的表达； 6. 标出我容易误解的地方。 作业拆解 请把下面这
AI 协作记录规范
主要内容AI 协作记录规范 为什么要记录 AI 协作记录不是为了形式，而是为了： - 复盘哪些提示词有效。 - 检查 AI 是否编造或过度解释。 - 向导师或课程说明自己如何核查。 - 建立个人专业知识库。 每次重要 AI 使用都记录 基本信息 - 日期： - 任务类型：概念 / 作业 / 论文 / 代码
Codex 任务清单
主要内容Codex 任务清单 每周固定让 Codex 做的事 - 根据本周主题生成 10 张概念卡。 - 检查概念卡是否包含定义、场景、表达、追问和 AI 提示词。 - 把口语化理解改写成组会表达。 - 把论文摘要整理成 5 分钟汇报稿。 - 为一个概念生成最小 Python notebook。 - 检查
Obsidian 自动填入流程
主要内容Obsidian 自动填入流程 一句话定义 把 智复学习 项目根目录当作 Obsidian vault，用脚本自动生成三门课的入口页，把已有和未来新增的 Markdown / notebook 文件归类到课程看板。 解决什么问题 以后 Codex 生成新学习材料时，不需要手动复制到 Obsidian
RGCN 知识 Obsidian 导入规则
主要内容RGCN 知识 Obsidian 导入规则 目的 以后生成 RGCN、复杂网络、极值网络相关材料时，不只放在专题目录，也要同步导入 Obsidian 原有分类。 专题目录 11 RGCN两个月极值网络学习/ 只作为工作区和备份区；正式知识应按下面分类进入原目录。 分类规则 知识类型 导入目录 文件命
个人专业 AI 工作流
主要内容个人专业 AI 工作流 总原则 先不要微调模型。先把个人资料库、提示词、案例和复盘做起来。等你已经有稳定资料和重复任务，再考虑 RAG、自定义 GPT 或更正式的知识库。 每次使用 AI 的固定输入 1. 我的背景：跨专业硕士新生，本科为学前教育，会一点 Python。 2. 当前目标：概念理解 /
入学阶段 AI 操作手册
主要内容入学阶段 AI 操作手册 总原则 AI 的作用是加速理解、生成初稿、检查错误和维护知识库。最终判断必须由你完成。 每天 30 分钟流程 1. 10 分钟概念复习 从 01 专业概念地图/ 随机选 2 张概念卡。 问 AI： 请根据这张概念卡，问我 5 个口试问题。我的回答如果不专业，请帮我改写成组会
知识库维护规范
主要内容知识库维护规范 目标 让这个学习仓库长期可用，而不是变成一堆散乱文件。 命名规则 概念卡： 概念卡 概念名.md 论文笔记： 论文笔记 作者 年份 关键词.md 复盘： 第XX周 复盘.md notebook： starter 主题 demo.ipynb 实验记录： 实验记录 日期 主题.md 每周
12 周路线图
主要内容12 周路线图 第 1-2 周：专业生存词汇 目标：听到核心术语能说出大概方向和用途。 任务： - 每周完成 10 张概念卡。 - 每天练习 1 个“一句话定义”。 - 重点覆盖极值、应用统计、大数据、复杂系统四类词。 验收： - 能用 3 分钟解释四个方向分别研究什么。 - 能把一个问题归类到至少
MIT 6.S191 三周学习计划
主要内容MIT 6.S191 三周学习计划 来源：<https://introtodeeplearning.com/ 总目标：三周内看完约 9 小时课程录像，并形成可复述、可运行、可验收的学习证据。 每周节奏 建议每天 60-90 分钟。不要追求一次看完，重点是每讲都留下证据。 周次 范围 主要任务 产出
8 周执行清单
主要内容8 周执行清单 第 1 周：建立名词地图 阅读： - Volume I Chapter 1 - Volume II Chapter 1 的 1.1-1.4 要会说： - graph, vertex, edge, degree, degree distribution - empirical degr
第 01 周学习笔记：复杂网络名词地图
主要内容第 01 周学习笔记：复杂网络名词地图 复制 templates/每周学习笔记模板.md 的结构填写。 本周最低产出： - 解释 graph、degree、degree distribution、scale-free、small-world。 - 画出或列出一个 degree distributio
第 02 周学习笔记：极值理论最小工具包
主要内容第 02 周学习笔记：极值理论最小工具包 本周最低产出： - 手推 n P X x n approx 1 。 - 解释 P X x ~ x^{- tau-1 } 中 tau 的含义。 - 跑完 rgcn 01 extreme scaling.ipynb 。
第 03 周学习笔记：Erdos-Renyi 基准模型
主要内容第 03 周学习笔记：Erdos-Renyi 基准模型 本周最低产出： - 解释 G n,p 和 p = lambda/n 。 - 说明为什么度数近似 Poisson。 - 比较 lambda < 1 和 lambda 1 的连通结构。
第 04 周学习笔记：广义随机图和权重极值
主要内容第 04 周学习笔记：广义随机图和权重极值 本周最低产出： - 解释 weights - probabilities - degrees - hubs 。 - 用最大权重说明极值如何进入网络模型。 - 完成第 4 周阶段验收。
第 05 周学习笔记：Configuration model
主要内容第 05 周学习笔记：Configuration model 本周最低产出： - 解释 degree sequence、half-edge、pairing。 - 说明为什么 configuration model 是 null model。 - 解释 size-biased degree 的直觉。
第 06 周学习笔记：Preferential attachment
主要内容第 06 周学习笔记：Preferential attachment 本周最低产出： - 解释 rich-get-richer。 - 说明早进入网络的节点为什么更可能成为 hub。 - 完成第 6 周阶段验收。
第 07 周学习笔记：巨分量、小世界与极值
主要内容第 07 周学习笔记：巨分量、小世界与极值 本周最低产出： - 解释 local convergence 和 branching process approximation 的直觉。 - 写 500 字：hub 为什么会缩短 typical distance。 - 做一次 5 分钟口头汇报。
第 08 周学习笔记：总复盘与小报告
主要内容第 08 周学习笔记：总复盘与小报告 本周最低产出： - 完成 5-8 页中文小报告。 - 能比较 ER、inhomogeneous random graph、configuration model、preferential attachment。 - 写清楚局限：采样偏差、有限样本、模型假设。
入学第一月行动计划
主要内容入学第一月行动计划 第 1 周：对齐方向 目标：弄清楚导师和课题组当前最需要什么。 任务： 1. 和导师或师兄师姐确认方向关键词。 2. 获取 3-5 篇推荐论文。 3. 选择 1 篇论文做快速筛选。 4. 写第一份导师周报。 产出： - 导师方向对齐清单.md - 1 行文献矩阵。 - 1 份导师
第 __ 周复盘
主要内容第 周复盘 本周主题 - 本周投入时间 - 计划：8 小时 - 实际： 本周完成的概念卡 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 本周专业问题 1. 2. 3. 4. 5. 本周可用于课堂/组会的表达 1. 2. 3. 本周 AI 协作案例 - 原始问题： - 我的提示词： -
第 01 周复盘
主要内容第 01 周复盘 本周主题 专业生存词汇：先建立极值、应用统计、大数据、复杂系统的基本概念感。 本周投入时间 - 计划：8 小时 - 实际： 本周建议完成的概念卡 1. 极端事件 Extreme Event 2. 尾部风险 Tail Risk 3. 重尾分布 Heavy-tailed Distrib
第 02 周复盘
主要内容第 02 周复盘 本周主题 从“知道术语”推进到“能把术语用于作业、报告和组会追问”。 本周投入时间 - 计划：8 小时 - 实际： 本周建议完成的概念卡 1. GPD 2. POT 3. VaR 4. Expected Shortfall 5. p 值 6. 置信区间 7. 模型诊断 8. 交叉验
第 03 周复盘
主要内容第 03 周复盘 本周主题 从“会跑模型”推进到“能解释模型是否可靠、是否能推广、是否能支持因果说法”。 本周投入时间 - 计划：8 小时 - 实际： 本周建议完成的概念卡 1. 贝叶斯推断 2. 因果推断 3. 时间序列 4. 残差 5. 正则化 6. 特征工程 7. 数据管道 8. 监督学习 9
第 04 周复盘
主要内容第 04 周复盘 本周主题 数学和统计符号的最低可用理解：能看懂公式在做什么，能让 AI 补推导，能把公式转成专业表达。 本周投入时间 - 计划：8 小时 - 实际： 本周建议完成的概念卡 1. 期望 2. 方差 3. 协方差 4. 相关系数 5. 梯度 6. 损失函数 7. 矩阵乘法 8. 特征值
第 05 周复盘
主要内容第 05 周复盘 本周主题 数据分析和机器学习作业的最低可用流程：从数据质量、任务定义、基准模型到指标解释。 本周投入时间 - 计划：8 小时 - 实际： 本周建议完成的概念卡 1. SQL 2. 分类 3. 回归任务 4. 聚类 5. 评价指标 6. 混淆矩阵 7. AUC 8. 数据泄漏 9.
第 06 周复盘
主要内容第 06 周复盘 本周主题 常见模型和论文方法识别：看到方法名能判断它属于什么任务、解决什么问题、如何追问。 本周投入时间 - 计划：8 小时 - 实际： 本周建议完成的概念卡 1. 逻辑回归 2. 随机森林 3. PCA 4. ARIMA 5. 自相关 6. 平稳性 7. Granger 因果 8
第 07 周复盘
主要内容第 07 周复盘 本周主题 结果是否可靠：仿真、Bootstrap、稳健性检查、敏感性分析和复杂系统模拟。 本周投入时间 - 计划：8 小时 - 实际： 本周建议完成的概念卡 1. 蒙特卡洛模拟 2. Bootstrap 3. 稳健性检查 4. 敏感性分析 5. 置信带 6. 分位数回归 7. 生存
第 08 周复盘
主要内容第 08 周复盘 本周主题 论文阅读和组会汇报：从摘要、引言、方法、实验中提取研究问题、方法、贡献和局限。 本周投入时间 - 计划：8 小时 - 实际： 本周建议完成的概念卡 1. 论文摘要 2. 引言 3. 文献综述 4. 方法部分 5. 实验部分 6. 消融实验 7. 复现 8. 基准模型 9.
第 09 周复盘
主要内容第 09 周复盘 本周主题 研究生工作流：研究计划、导师沟通、课程项目、实验记录和学术诚信。 本周投入时间 - 计划：8 小时 - 实际： 本周建议完成的概念卡 1. 研究计划 2. 开题报告 3. 文献汇报 4. 组会提问 5. 导师沟通 6. 课程项目 7. 数据说明 8. 实验记录 9. 代码
第 10 周复盘
主要内容第 10 周复盘 本周主题 专业 AI 和 Codex 工作流：把 AI 使用变成可记录、可核查、可复用的学习系统。 本周投入时间 - 计划：8 小时 - 实际： 本周建议完成的概念卡 1. AI 协作 2. Prompt Engineering 3. RAG 4. 知识库 5. Codex 6.
第 11 周复盘
主要内容第 11 周复盘 本周主题 综合冲刺：把概念、论文、作业、notebook、导师沟通和 AI 协作整合成入学前可展示能力。 本周投入时间 - 计划：8 小时 - 实际： 本周不再追求新增大量概念 本周重点是复习和整合： 1. 从 100 张概念卡中选 20 张高频卡复述。 2. 选 1 篇论文做 5
第 12 周复盘
主要内容第 12 周复盘 本周主题 最终验收：用一次完整模拟组会和一份入学第一月行动计划，证明自己能跟课、做作业、读论文、用 AI/Codex 协作。 本周投入时间 - 计划：8 小时 - 实际： 本周最终产出 1. 一次 10 分钟完整模拟组会。 2. 一份入学第一月行动计划。 3. 一份导师方向对齐清单
统计推断两个月执行看板
主要内容统计推断两个月执行看板 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、数据分析报告和与老师同学的专业交流。 执行节奏 - 第 1 周：第 1 章 绪论 - 第 2 周：第 2 章 抽样分布及预备知识 - 第 3 周：第 3 章 点估计 - 第 4 周：第 4 章 区间估计 - 第 5
入学自我介绍
主要内容入学自我介绍 30 秒版本 老师和同学们好，我本科是学前教育，和现在的智能复杂体系、统计和大数据方向跨度比较大。入学前我主要在补极值理论、应用统计、大数据和复杂系统的基本概念，同时训练用 AI 和 Codex 辅助读论文、做数据分析和整理报告。现阶段我的目标是先能跟上课程和组会，并从文献整理、数据清
复现计划模板
主要内容复现计划模板 复现目标 - 复现一张图： - 复现一张表： - 复现一个基准模型： - 复现一个核心指标： 论文信息 - 标题： - 方法： - 数据： - 代码是否公开： 最小复现范围 只复现： 1. 2. 3. 暂时不复现： 1. 2. 3. 需要准备 - 数据： - 环境： - 依赖： - 随
导师周报模板
主要内容导师周报模板 本周完成 1. 2. 3. 本周学习或实验产出 - 概念卡： - 论文笔记： - notebook： - 数据处理： - 代码或复现： 当前卡点 1. 2. 3. 我已经尝试的解决方式 - 查阅： - AI 辅助： - 代码实验： - 请教同学： 下周计划 1. 2. 3. 需要老师确
导师方向对齐清单
主要内容导师方向对齐清单 目标 入学前后用这份清单确认自己准备的内容是否和导师方向一致。 方向关键词 请根据导师论文、主页或组会内容填写： - 极值： - 应用统计： - 大数据： - 复杂系统： - 机器学习： - 时间序列： - 网络分析： - 其他： 需要问导师的 8 个问题 1. 入学前我最该优先补
导师沟通准备
主要内容导师沟通准备 自我介绍短版 老师您好，我本科是学前教育，和现在方向跨度比较大。入学前我正在重点补极值理论、应用统计、大数据和复杂系统的基本概念，同时训练用 AI 辅助读论文、做数据分析和整理报告。我目前的目标是先能跟上课程和组会，能承担文献整理、数据清洗、基准模型复现这类入门任务。 可以主动提出的入
文献矩阵模板
主要内容文献矩阵模板 编号 论文 年份 研究问题 方法 数据 指标 主要结论 局限 可复现点 和我方向关系 --- --- ---: --- --- --- --- --- --- --- --- 1 2 3 使用方法 每读一篇论文，只填一行。不要一开始写长篇笔记。 每列怎么填 - 研究问题：作者到底要回答
最终模拟组会模板
主要内容最终模拟组会模板 汇报目标 用 10 分钟展示你已经具备跨专业入门能力： - 能解释一个核心概念。 - 能汇报一篇论文。 - 能展示一个 notebook 或小实验。 - 能说明结果局限。 - 能回答导师或同学追问。 汇报结构 1. 开场 1 分钟 大家好，我今天汇报的主题是【主题】。 我会从四部分
模拟导师沟通：第 01 次
主要内容模拟导师沟通：第 01 次 场景 入学前或入学初期，向导师说明自己的准备情况、短板、当前学习系统和希望先承担的任务。 1 分钟版本 老师您好，我本科是学前教育，和现在方向跨度比较大，所以入学前我没有试图短期补成科班水平，而是先建立一个能跟课、能读论文、能做基础数据分析的学习系统。 目前我重点补了四类
模拟组会：第 01 次
主要内容模拟组会：第 01 次 主题 从极端事件和尾部风险理解极值理论的入门价值。 目标 - 能用 5 分钟说明极值理论为什么重要。 - 能自然承认自己还没有掌握推导细节。 - 能回答老师或同学的基础追问。 5 分钟汇报稿 大家好，我这次准备的是极值理论的入门理解，重点放在极端事件和尾部风险。 我目前的理解
模拟组会：第 02 次
主要内容模拟组会：第 02 次 主题 从 VaR、Expected Shortfall 和模型诊断理解“结果是否可靠”。 目标 - 能说明风险指标不等于完整结论。 - 能说明统计显著不等于实际重要。 - 能用“诊断”和“局限”让表达更专业。 5 分钟汇报稿 大家好，我这次准备的是风险指标和模型诊断的入门理解
模拟组会：第 03 次
主要内容模拟组会：第 03 次 主题 从相关、预测到因果：为什么模型结果不能过度解释。 目标 - 能清楚区分相关、预测和因果。 - 能说明过拟合和泛化能力。 - 能解释时间序列任务为什么要注意时间顺序。 5 分钟汇报稿 大家好，我这次准备的是统计建模中结果解释的边界，重点是相关、预测和因果的区别。 我目前的
模拟组会：第 04 次
主要内容模拟组会：第 04 次 主题 用最低数学语言解释统计建模：期望、方差、矩阵、梯度和损失函数。 目标 - 能把常见公式翻译成直觉。 - 能说明数学符号在模型中的作用。 - 能承认自己不掌握完整证明，但知道如何继续追问。 5 分钟汇报稿 大家好，我这次准备的是统计和机器学习中最常见的一些数学语言，重点不
模拟组会：第 05 次
主要内容模拟组会：第 05 次 主题 从分类任务理解评价指标、数据泄漏和结果解释。 目标 - 能说明分类任务的基本流程。 - 能解释准确率、混淆矩阵和 AUC。 - 能指出数据泄漏和类别不平衡的风险。 5 分钟汇报稿 大家好，我这次准备的是机器学习分类任务中的评价和结果解释。 我目前的理解是，拿到一个数据分
模拟组会：第 06 次
主要内容模拟组会：第 06 次 主题 看到模型名时如何判断任务类型和解释边界。 目标 - 能区分逻辑回归、随机森林、PCA、ARIMA、PageRank 的任务场景。 - 能说明基准模型和复杂模型的区别。 - 能用专业语言承认自己还没掌握全部推导。 5 分钟汇报稿 大家好，我这次准备的是如何识别论文或作业中
模拟组会：第 07 次
主要内容模拟组会：第 07 次 主题 如何让模型结果更可信：不确定性、稳健性和敏感性。 目标 - 能解释为什么点估计不够。 - 能说明 Bootstrap、稳健性检查和敏感性分析的区别。 - 能用稳妥语言汇报结果。 5 分钟汇报稿 大家好，我这次准备的是统计和机器学习结果的可靠性问题，重点是不确定性、稳健性
模拟组会：第 08 次
主要内容模拟组会：第 08 次 主题 如何汇报一篇自己还没有完全读懂的论文。 目标 - 能用结构化方式汇报论文。 - 能专业地说明自己没完全掌握的地方。 - 能准备可追问问题和下一步复现计划。 5 分钟汇报稿模板 大家好，我今天汇报的是一篇和【方向】相关的论文。我的汇报会分成五部分：研究问题、方法、数据和实
论文快速筛选表
主要内容论文快速筛选表 基本信息 - 标题： - 年份： - 期刊/会议： - 关键词： - 和导师方向的关系：极值 / 应用统计 / 大数据 / 复杂系统 / 其他 3 分钟判断 研究问题 这篇论文想解决什么问题？ 方法 使用了什么方法？ 数据 用了什么数据或仿真？ 结果 主要结果是什么？ 是否值得精读
论文笔记模板
主要内容论文笔记模板 基本信息 - 标题： - 作者： - 年份： - 来源： - 关键词： 一句话总结 这篇论文主要研究…… 研究问题 作者想解决什么问题？ 方法 - 使用了什么模型或方法： - 为什么适合这个问题： - 我还不理解的技术细节： 数据与实验 - 数据来源： - 变量或样本： - 评价指标：
notebooks 使用说明
主要内容notebooks 使用说明 这里用于保存 Codex 生成或协助维护的 Python notebook。 建议主题 - 极值分布入门模拟。 - 线性回归和模型诊断。 - 时间序列基础可视化。 - 复杂网络中心性分析。 - 数据清洗与特征工程。 - 深度学习经典论文最小复现，例如 word2vec、
AI 答案核查清单
主要内容AI 答案核查清单 概念类答案 - 是否有一句话定义？ - 是否说明解决什么问题？ - 是否给出使用场景？ - 是否说明常见误解？ - 是否没有假装完全掌握？ 数学推导类答案 - 符号是否前后一致？ - 每一步是否说明用了什么定理或公式？ - 是否跳过关键步骤？ - 是否把条件写清楚？ - 是否能改
资料库使用说明
主要内容资料库使用说明 这里保存外部材料的副本或摘要，例如课程大纲、导师论文、作业题、数据说明和老师要求。 建议命名 - 课程大纲 课程名.md - 作业 课程名 第几次.md - 论文 作者 年份 关键词.md - 数据说明 数据集名.md - 老师要求 日期.md 放入材料后要做什么 1. 先保留原始要
RGCN 两个月学习包：极值与复杂网络
主要内容RGCN 两个月学习包：极值与复杂网络 一句话目标 用 8 周把 Remco van der Hofstad 的 Random Graphs and Complex Networks 两卷读成一条主线：真实网络现象、幂律尾部、极值/最大度数、随机图模型、巨分量、小世界性质、可解释应用。 怎么使用 每
推导方法速查
主要内容推导方法速查 1. 最大值量级：先让期望超过次数等于 1 直觉解释：如果 n 个样本中大约有 1 个会超过 x n ，那么最大值通常就在 x n 附近。 专业表达： 令 M n = max X 1, ..., X n 。若 P X x ~ x^{-alpha} ，用 得到 在 RGCN 的记号里常写
极值网络分析流程
主要内容极值网络分析流程 1. 明确网络对象 先回答： - 节点是什么？ - 边是什么？ - 网络是有向还是无向？ - 边是否有权重？ - 数据是完整网络、抽样网络，还是某种观测过程产生的网络？ 报告表达： 本分析将系统抽象为一个 graph，其中节点表示 ...，边表示 ...。由于数据记录的是 ...，
第一章完整教辅：复杂网络名词地图、代码任务、作业答案
主要内容第一章完整教辅：复杂网络名词地图、代码任务、作业答案 对应教材： - RGCN Volume I Chapter 1: Introduction - RGCN Volume II Chapter 1.1-1.4: Introduction and preliminaries 本章目标不是证明定理，而
公式阅读与 AI 推导手册
主要内容公式阅读与 AI 推导手册 目标 你不需要在入学前掌握所有严格证明，但必须能做到： - 看出公式大概在表达什么。 - 知道每个符号代表什么。 - 能让 AI 把推导拆成可理解步骤。 - 能把 AI 的推导改写成作业可写版本。 看公式的 5 步 第 1 步：先问这是什么对象 看到公式先不要急着算。先判
可复现环境说明模板
主要内容可复现环境说明模板 项目或 notebook 名称 运行目标 这个环境用于运行： - notebook： - 数据分析任务： - 模型： 软件环境 - 操作系统： - Python 版本： - Jupyter 版本： 主要依赖 包 版本 用途 --- --- --- numpy 数值计算 panda
实验记录模板
主要内容实验记录模板 实验编号 日期 研究问题 数据版本 - 数据文件： - 样本范围： - 清洗规则： 代码版本 - notebook： - 脚本： - 关键修改： 模型设置 - 模型： - 参数： - 随机种子： - 训练/测试划分： 评价指标 - - - 结果 指标 数值 备注 --- ---: --
数学基础最小生存包
主要内容数学基础最小生存包 目标 这个文件不是数学教材，而是帮助你在课程、论文和作业里遇到数学内容时，先判断“它在干什么”，再借助 AI 补细节。 最先要认出的 6 类符号 1. 求和符号 Σ 直觉：把很多项加起来。 常见场景： - 样本均值。 - 损失函数。 - 似然函数的 log 形式。 遇到时问 AI
数据分析作业报告模板
主要内容数据分析作业报告模板 1. 问题定义 本作业关注的问题是： 【用一句话说明研究问题】 任务类型：分类 / 回归 / 聚类 / 时间序列 / 极值分析 / 描述统计 目标变量： 主要特征： 样本范围： 2. 数据说明 数据来源： 样本量： 变量数量： 时间范围： 需要说明： - 是否存在缺失值。 -
机器学习流程检查清单
主要内容机器学习流程检查清单 1. 任务定义 - 目标变量是否明确？ - 是分类、回归、聚类还是时间序列？ - 评价指标是否和任务目标一致？ - 是否明确更关心误报还是漏报？ 2. 数据检查 - 是否检查缺失值？ - 是否检查异常值？ - 是否检查重复样本？ - 是否检查类别不平衡？ - 是否检查时间顺序？
模型选择生存手册
主要内容模型选择生存手册 目标 拿到课程作业或论文方法时，先判断问题类型，再选择基准方法。不要一上来追求复杂模型。 第 1 步：判断目标变量 连续数值 任务：回归。 基准方法： - 线性回归。 - Ridge / Lasso。 - 随机森林回归。 常问 AI： 这个任务的目标变量是连续数值，请帮我设计一个回
研究计划模板
主要内容研究计划模板 题目暂定 研究背景 这个问题为什么重要？ 研究问题 本项目试图回答： 1. 2. 3. 数据 - 数据来源： - 样本范围： - 变量： - 是否有时间维度： - 是否有网络结构： - 数据风险： 方法 基准方法 可能的进阶方法 评价指标 - - - 最小可行任务 1. 整理数据说明。
稳健性与不确定性报告手册
主要内容稳健性与不确定性报告手册 目标 课程作业和组会中，不要只报告“模型结果”。要能说明结果是否稳定、不确定性在哪里、哪些结论不能过度解释。 什么时候需要写不确定性 几乎所有统计和机器学习结果都需要： - 参数估计。 - 模型评价指标。 - 风险指标。 - 曲线或预测结果。 - 小样本分析。 - 极端事件
数理统计教材章节目录与填充模板
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 待填充 第 4 章 区间估计 必学 待填充 第 5 章 参数假设检验
论文方法部分阅读手册
主要内容论文方法部分阅读手册 目标 你不需要第一次就读懂所有推导，但要能判断论文用了什么方法、解决什么问题、有什么假设、怎么追问。 读方法部分的 6 个问题 1. 作者要解决什么任务？ 分类 / 回归 / 时间序列 / 网络分析 / 极值建模 / 因果推断 / 优化 / 仿真 提示词： 请判断这篇论文的方法
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
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
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
课程作业生存手册
主要内容课程作业生存手册 总流程 拿到作业后不要直接让 AI 写答案。先按下面 6 步处理： 1. 识别题目类型。 2. 提取关键词。 3. 判断需要的前置知识。 4. 让 AI 拆解思路。 5. 让 AI 生成公式、代码或报告初稿。 6. 人工核查假设、数据、结论和表达边界。 第 1 步：识别题目类型 概
课程项目模板
主要内容课程项目模板 项目题目 任务类型 - 分类 - 回归 - 聚类 - 时间序列 - 极值分析 - 网络分析 - 仿真 问题定义 本项目研究…… 数据说明 - 数据来源： - 样本量： - 变量： - 目标变量： - 数据质量问题： 方法路线 基准模型 对比模型 稳健性检查 评价指标 - - - 实验结
MIT 6.S191 学习验收清单
主要内容MIT 6.S191 学习验收清单 用途：判断 9 小时课程录像是否真的转化成可用能力，而不是只看完视频。 最低完成标准 完成下面 5 项，就算达到“入学前可用”的最低标准。 - 看完 9 讲录像，或至少完成每讲 slides 的结构化阅读。 - 每讲有一页笔记，包含 task、model、obje
周末自测：复杂网络名词地图
主要内容周末自测：复杂网络名词地图 A. 口头解释题 每题用 1 分钟回答。 1. 什么是 graph？请举一个真实网络例子。 2. 什么是 degree？为什么最大 degree 是极值问题？ 3. degree distribution 比 average degree 多提供了什么信息？ 4. 什么是
个人短板清单
主要内容个人短板清单 数学推导 当前状态： - 能看懂符号表。 - 能跟随 AI 分步推导。 - 能独立完成简单推导。 补救动作： - 每周选择 1 个公式，用 公式阅读与AI推导手册.md 拆解。 统计建模 当前状态： - 能判断任务类型。 - 能选择基准模型。 - 能解释指标和局限。 补救动作： - 每
课程作业 readiness 检查
主要内容课程作业 readiness 检查 目标 验证你是否能在 AI 辅助下完成课程作业，而不是只会背概念。 拿到作业后的 10 分钟流程 第 1 分钟：判断题型 - 概念解释 - 数学推导 - 统计建模 - 数据分析 - 论文阅读 - 代码实现 第 2-3 分钟：提取关键词 - 核心概念： - 输入数据
入学前最终交付清单
主要内容入学前最终交付清单 必须交付 - 100 张概念卡。 - 4 个 starter notebook。 - 12 周复盘文件。 - 综合口试题库。 - 作业 readiness 检查。 - 最终模拟组会模板。 - 入学第一月行动计划。 - 导师方向对齐清单。 - 个人短板清单。 能力交付 - 能用 3
入学前最终验收
主要内容入学前最终验收 口头表达 - 能用 3 分钟解释极值理论。 - 能用 3 分钟解释应用统计。 - 能用 3 分钟解释大数据。 - 能用 3 分钟解释复杂系统。 - 能说明自己目前理解的边界。 专业判断 - 能判断一个问题属于估计、检验、预测、因果、时间序列、极值或网络分析中的哪类。 - 能说出一个方
完成审计清单
主要内容完成审计清单 原始目标 入学复旦大学智能复杂体系基础理论与关键技术实验室前，具备跨专业读研所需的广度知识和技能；不要求深入掌握，但要能了解概念，并在 AI 帮助下完成课程和作业。 要求拆解 1. 专业知识广度 证据： - 100 张概念卡覆盖极值、应用统计、大数据、复杂系统、机器学习、时间序列、论文
每日 15 分钟练习
主要内容每日 15 分钟练习 第 1 分钟：选一个词 从 01 专业概念地图/核心概念清单.md 选一个词。 第 2-5 分钟：问 AI 使用： 请用跨专业硕士新生能懂的方式解释【概念】。先给一句话定义，再给使用场景、专业表达、常见误解和 3 个追问。 第 6-9 分钟：压缩成三句话 1. 它是什么： 2.
第 01 周验收脚本
主要内容第 01 周验收脚本 口头验收 请不用看材料，录音或自言自语回答下面 5 个问题： 1. 极端事件是什么？ 2. 尾部风险为什么不能只看均值？ 3. 重尾分布和正态分布有什么差别？ 4. GEV 适合什么类型的数据？ 5. 为什么线性回归适合做基准模型？ 书面验收 为下面每个概念写 3 句话： -
第 10 周验收脚本
主要内容第 10 周验收脚本 AI 协作验收 请回答： 1. AI 可以帮你做什么？ 2. AI 不能替你做什么？ 3. 你如何检查 AI 的数学推导？ 4. 你如何检查 AI 的代码？ 5. 你如何避免 AI 辅助带来的学术诚信风险？ Codex 使用验收 请让 Codex 完成一次： 请检查本仓库中一个
第 11 周验收脚本
主要内容第 11 周验收脚本 1. 概念抽查 从 100 张概念卡中随机抽 10 张，每张口头回答： - 它是什么？ - 解决什么问题？ - 和导师方向有什么关系？ - 有什么局限或常见误解？ - 可以怎么问 AI？ 通过标准：至少 8 张能讲到 3 分以上。 2. 作业拆解 任选一个模拟任务： - 给一组
第 12 周最终验收脚本
主要内容第 12 周最终验收脚本 1. 完整模拟组会 请准备 10 分钟汇报，结构如下： 1. 研究背景：1 分钟。 2. 核心概念：2 分钟。 3. 论文或方法：3 分钟。 4. notebook 或小实验：2 分钟。 5. 局限和下一步：2 分钟。 2. 追问测试 至少能回答以下 10 题中的 5 题：
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 ../../13 课程Obsidian看板/数理统计/统计推断/01 绪论/章节学习页 课后作业与答案 第
综合口试题库
主要内容综合口试题库 使用方法 每天随机抽 5 题，要求不看资料口头回答。回答不需要很深，但必须包含： - 一句话定义。 - 使用场景。 - 和课程/导师方向的关系。 - 一个追问或局限。 极值理论 1. 极值理论和普通统计有什么区别？ 2. 尾部风险为什么不能只看均值和方差？ 3. GEV 和 GPD 分
Day 01：极端事件和尾部风险
主要内容Day 01：极端事件和尾部风险 今天目标 学会用通俗语言解释： - 极端事件是什么。 - 尾部风险为什么重要。 - 为什么不能只看平均值。 1. 一句话理解 极端事件就是“平时很少发生，但一发生影响很大”的事情。 尾部风险就是这些极端事件藏在数据分布尾巴里的风险。 2. 通俗类比 想象你每天出门通
Day 02：重尾分布和 VaR
主要内容Day 02：重尾分布和 VaR 今天目标 学会解释： - 什么是重尾分布。 - VaR 是什么。 - VaR 有什么局限。 1. 先复习昨天 不看资料回答： 1. 极端事件是什么？ 2. 尾部风险为什么重要？ 3. 平均值为什么不够？ 2. 一句话理解 重尾分布就是“极端值比我们想象中更常见”的分
Day 03：Expected Shortfall 和风险表达
主要内容Day 03：Expected Shortfall 和风险表达 今天目标 学会解释： - Expected Shortfall 是什么。 - 它和 VaR 的区别。 - 如何专业表达风险指标。 1. 先复习 不看资料回答： 1. 重尾分布是什么？ 2. VaR 是最大损失吗？ 3. 为什么 VaR
Day 04：假设检验和 p 值
主要内容Day 04：假设检验和 p 值 今天目标 学会解释： - 假设检验在做什么。 - p 值是什么意思。 - p 值最常见的误解。 1. 间隔复习 不看资料回答： 1. VaR 和 Expected Shortfall 的区别。 2. 重尾分布为什么会影响风险判断。 2. 一句话理解 假设检验是在问：
Day 05：线性回归和模型诊断
主要内容Day 05：线性回归和模型诊断 今天目标 学会解释： - 线性回归解决什么问题。 - 残差是什么。 - 为什么模型诊断重要。 1. 先复习 不看资料回答： 1. p 值是什么？ 2. p 值小不能说明什么？ 3. 显著和重要有什么区别？ 2. 一句话理解 线性回归是在问： 一个结果变量能不能用几个
Day 06：作业拆解和 AI 协作
主要内容Day 06：作业拆解和 AI 协作 今天目标 学会把一道作业拆成： 1. 概念。 2. 公式。 3. 代码。 4. 报告。 1. 先复习 不看资料回答： 1. 线性回归是什么？ 2. 模型诊断是什么？ 3. p 值小不能说明什么？ 2. 作业拆解四步法 拿到任何专业作业，先不要让 AI 直接写答案
Day 07：综合复盘和模拟组会
主要内容Day 07：综合复盘和模拟组会 今天目标 把前 6 天内容整合成一次 5 分钟口头汇报。 主题： 从尾部风险到统计建模：我如何用 AI 辅助跨专业学习 1. 先做快速复习 不看资料回答： 1. 极端事件是什么？ 2. 尾部风险是什么？ 3. VaR 和 Expected Shortfall 有什么
一周具体学习材料：极值、应用统计与 AI 协作入门
主要内容一周具体学习材料：极值、应用统计与 AI 协作入门 适用时间 2026-06-15 至 2026-06-21 本周目标 本周不追求学深，而是建立 4 个最低可用能力： 1. 听到“极值、尾部风险、回归、假设检验、模型诊断”时，知道大概在说什么。 2. 能把一个统计或数据分析作业拆成“概念、公式、代码
一周 AI 提示词合集
主要内容一周 AI 提示词合集 1. 概念解释 请用跨专业硕士新生能懂的方式解释【概念】。 要求： 1. 先用生活例子； 2. 再给专业定义； 3. 说明它解决什么问题； 4. 说明它不能说明什么； 5. 给 3 句组会可用表达。 2. 概念自测 请根据【概念】问我 5 个口试问题。 我回答后，请指出： 1
周末自测
主要内容周末自测 一、概念自测 不看资料，用自己的话回答： 1. 极端事件是什么？ 2. 尾部风险是什么？ 3. 重尾分布为什么重要？ 4. VaR 是什么？ 5. Expected Shortfall 是什么？ 6. 假设检验在做什么？ 7. p 值最常见的误解是什么？ 8. 线性回归解决什么问题？ 9.
每日学习记录模板
主要内容每日学习记录模板 日期 今天学的 2-3 个概念 1. 2. 3. 每个概念的 3 句话 概念 1 - 它是什么： - 它解决什么问题： - 我在组会里可以怎么说： 概念 2 - 它是什么： - 它解决什么问题： - 我在组会里可以怎么说： 今天问 AI 的问题 AI 的有用回答 我检查 AI 的地
科学复习排程
主要内容科学复习排程 为什么要这样安排 学习不是“看懂一次”就结束。跨专业学习最容易出现的问题是： - 当天看懂，第二天忘。 - 看 AI 解释懂了，自己说不出来。 - 会背定义，但不会用在作业里。 所以本周采用： - 当天学习。 - 次日复习。 - 第 4 天回看。 - 第 7 天综合测试。 每天复习安排
通俗解释速查表
主要内容通俗解释速查表 极端事件 大白话： 平时很少发生，但一发生影响很大的事。 专业表达： 极端事件是低概率高影响事件，通常需要单独分析尾部行为。 尾部风险 大白话： 数据尾巴里藏着的坏情况。 专业表达： 尾部风险关注分布高损失尾端的小概率高影响结果。 重尾分布 大白话： 特别大的值比我们以为的更常见。
8 周执行清单
主要内容8 周执行清单 第 1 周：建立名词地图 阅读： - Volume I Chapter 1 - Volume II Chapter 1 的 1.1-1.4 要会说： - graph, vertex, edge, degree, degree distribution - empirical degr
RGCN 两个月学习包：极值与复杂网络
主要内容RGCN 两个月学习包：极值与复杂网络 一句话目标 用 8 周把 Remco van der Hofstad 的 Random Graphs and Complex Networks 两卷读成一条主线：真实网络现象、幂律尾部、极值/最大度数、随机图模型、巨分量、小世界性质、可解释应用。 怎么使用 每
极值与复杂网络小报告模板
主要内容极值与复杂网络小报告模板 标题 示例：从最大度数看复杂网络中的 hub 现象 摘要 用 150-250 字回答： - 分析了什么网络问题？ - 使用了什么统计量或模型？ - 发现了什么关于极值、hub 或小世界的现象？ - 有什么局限？ 1. 问题背景 直觉解释： 复杂网络中常见少数节点连接特别多的
第 XX 周学习笔记
主要内容第 XX 周学习笔记 本周主题 一句话写清楚本周学什么： 本周我学习的是 ... 1. 题目在考什么 这一周主要解决的问题是： - - - 2. 需要哪些前置概念 概念 我的一句话解释 还不确定的地方 --- --- --- 3. 核心公式或推导 公式： 变量含义： - - - 直觉解释： 4. 典
第 01 周学习笔记：复杂网络名词地图
主要内容第 01 周学习笔记：复杂网络名词地图 复制 templates/每周学习笔记模板.md 的结构填写。 本周最低产出： - 解释 graph、degree、degree distribution、scale-free、small-world。 - 画出或列出一个 degree distributio
第 02 周学习笔记：极值理论最小工具包
主要内容第 02 周学习笔记：极值理论最小工具包 本周最低产出： - 手推 n P X x n approx 1 。 - 解释 P X x ~ x^{- tau-1 } 中 tau 的含义。 - 跑完 rgcn 01 extreme scaling.ipynb 。
第 03 周学习笔记：Erdos-Renyi 基准模型
主要内容第 03 周学习笔记：Erdos-Renyi 基准模型 本周最低产出： - 解释 G n,p 和 p = lambda/n 。 - 说明为什么度数近似 Poisson。 - 比较 lambda < 1 和 lambda 1 的连通结构。
第 04 周学习笔记：广义随机图和权重极值
主要内容第 04 周学习笔记：广义随机图和权重极值 本周最低产出： - 解释 weights - probabilities - degrees - hubs 。 - 用最大权重说明极值如何进入网络模型。 - 完成第 4 周阶段验收。
第 05 周学习笔记：Configuration model
主要内容第 05 周学习笔记：Configuration model 本周最低产出： - 解释 degree sequence、half-edge、pairing。 - 说明为什么 configuration model 是 null model。 - 解释 size-biased degree 的直觉。
第 06 周学习笔记：Preferential attachment
主要内容第 06 周学习笔记：Preferential attachment 本周最低产出： - 解释 rich-get-richer。 - 说明早进入网络的节点为什么更可能成为 hub。 - 完成第 6 周阶段验收。
第 07 周学习笔记：巨分量、小世界与极值
主要内容第 07 周学习笔记：巨分量、小世界与极值 本周最低产出： - 解释 local convergence 和 branching process approximation 的直觉。 - 写 500 字：hub 为什么会缩短 typical distance。 - 做一次 5 分钟口头汇报。
第 08 周学习笔记：总复盘与小报告
主要内容第 08 周学习笔记：总复盘与小报告 本周最低产出： - 完成 5-8 页中文小报告。 - 能比较 ER、inhomogeneous random graph、configuration model、preferential attachment。 - 写清楚局限：采样偏差、有限样本、模型假设。
推导方法速查
主要内容推导方法速查 1. 最大值量级：先让期望超过次数等于 1 直觉解释：如果 n 个样本中大约有 1 个会超过 x n ，那么最大值通常就在 x n 附近。 专业表达： 令 M n = max X 1, ..., X n 。若 P X x ~ x^{-alpha} ，用 得到 在 RGCN 的记号里常写
极值与复杂网络名词表
主要内容极值与复杂网络名词表 1. graph / 图 一句话定义：由节点和边组成的结构，用来表示对象之间的关系。 解决什么问题：把真实系统中的连接关系形式化，例如网页链接、社交关系、论文引用。 交流时可以怎么说：这里我把系统抽象成一个 graph，节点表示对象，边表示对象之间的关系。 2. degree
极值网络分析流程
主要内容极值网络分析流程 1. 明确网络对象 先回答： - 节点是什么？ - 边是什么？ - 网络是有向还是无向？ - 边是否有权重？ - 数据是完整网络、抽样网络，还是某种观测过程产生的网络？ 报告表达： 本分析将系统抽象为一个 graph，其中节点表示 ...，边表示 ...。由于数据记录的是 ...，
Day 01：图、节点、边和度数
主要内容Day 01：图、节点、边和度数 1. 一句话定义 图 graph 是由节点 vertex 和边 edge 组成的结构，用来表示对象之间的关系。 2. 解决什么问题 它解决的是“关系如何表示”的问题。 真实世界里很多问题不是单个对象的问题，而是对象之间关系的问题。例如： - 社交网络：人是节点，好友
Day 02：度数分布和经验度数分布
主要内容Day 02：度数分布和经验度数分布 1. 一句话定义 度数分布 degree distribution 描述“随机选一个节点，它的度数是多少”的概率规律。 2. 解决什么问题 单个节点的 degree 只能描述局部。degree distribution 描述整个网络的连接差异。 它回答： - 大
Day 03：幂律、重尾和 hub
主要内容Day 03：幂律、重尾和 hub 1. 一句话定义 幂律 power law 表示尾部概率按幂函数下降，例如 P D x ~ x^{-alpha} 。 2. 解决什么问题 它解释为什么真实网络中会出现少数极端高度数节点。 在很多真实网络中： - 大多数节点连接很少； - 少数节点连接非常多； -
Day 04：scale-free 和 small-world
主要内容Day 04：scale-free 和 small-world 1. 一句话定义 scale-free 描述度数分布没有典型尺度，small-world 描述网络中两点之间距离通常很短。 2. 它们解决什么问题 这两个词描述真实复杂网络的两个不同现象： - scale-free：谁连得多？度数差异有
Day 05：巨分量和连通性
主要内容Day 05：巨分量和连通性 1. 一句话定义 巨分量 giant component 是包含正比例节点的连通分量。 2. 解决什么问题 它回答网络是否“大规模连通”。 如果最大连通分量只包含很少节点，传播很难覆盖全网。 如果存在 giant component，说明大量节点通过路径相互连接。 3.
Day 06：ER 图作为基准模型
主要内容Day 06：ER 图作为基准模型 1. 一句话定义 Erdos-Renyi random graph 是每条边独立地以同一概率出现的随机图。 2. 解决什么问题 它提供一个最简单的随机图基准。 你可以用它问： - 如果边是同质随机出现的，会有什么结构？ - 真实网络和这个基准相比，哪里不一样？ -
Day 07：综合复盘和自测
主要内容Day 07：综合复盘和自测 1. 本周你应该掌握的主线 用一句话串起来： 真实网络常有高度异质的 degree distribution，幂律尾部会导致极端 hub，而 hub 会影响 giant component 和 small-world 性质；ER 图是重要基准，但无法充分解释这些极端连接
第 01 套学习材料：复杂网络名词地图
主要内容第 01 套学习材料：复杂网络名词地图 本套材料目标 用 7 天建立 RGCN 两卷的入门词汇系统。你暂时不需要证明定理，先做到： 1. 看到 graph、degree、power law、scale-free、small-world、giant component 时知道它们在说什么。 2. 能解
一周 AI 提示词合集
主要内容一周 AI 提示词合集 1. 概念解释 2. 公式推导 3. notebook 解释 4. 口头汇报训练 5. 自测问答
周末自测：复杂网络名词地图
主要内容周末自测：复杂网络名词地图 A. 口头解释题 每题用 1 分钟回答。 1. 什么是 graph？请举一个真实网络例子。 2. 什么是 degree？为什么最大 degree 是极值问题？ 3. degree distribution 比 average degree 多提供了什么信息？ 4. 什么是
第一章完整教辅：复杂网络名词地图、代码任务、作业答案
主要内容第一章完整教辅：复杂网络名词地图、代码任务、作业答案 对应教材： - RGCN Volume I Chapter 1: Introduction - RGCN Volume II Chapter 1.1-1.4: Introduction and preliminaries 本章目标不是证明定理，而
12 篇论文总知识图与查漏清单
主要内容12 篇论文总知识图与查漏清单 使用原则 这份文件用于第七周整合查漏。它不是新的背诵材料，而是把前六周的论文、notebook、示范答案与反例压成一张可检查的地图。使用方式是：先闭卷写自己的总图，再用本文件检查漏项、误解和夸大。 一句话总图 这 12 篇论文可以串成一条线： 对应论文： 更专业地说：
8 周执行清单
主要内容8 周执行清单 总目标 8 周后，你应能完成一次 10 分钟深度学习论文汇报，并展示一个 PyTorch notebook。汇报内容包括：研究问题、核心方法、实验结果、局限、与你未来科研训练的关系。 第 1 周：深度学习基本地图 目标：知道深度学习在解决什么问题。 任务： - 看 MIT 6.S19
8 周逐日任务表
主要内容8 周逐日任务表 使用规则 每天只完成一个小闭环：读一点、写一点、跑一点、说一点。不要把目标设成“看完视频”或“看完论文”，而是交付一个可检查产出。 每天 90 分钟建议分配： 1. 20 分钟：看视频或读书补概念。 2. 25 分钟：读论文一个小节。 3. 25 分钟：跑或改 notebook。
AI 协作审查清单
主要内容AI 协作审查清单 一句话定义 这份清单用来检查 ChatGPT、Claude 或 Codex 的输出是否真的帮你学习，而不是让你复制一份看似专业但自己无法解释的答案。 使用原则 AI 可以做三类事： 1. 帮你拆解论文。 2. 帮你生成最小代码。 3. 帮你检查表达和理解边界。 AI 不应该替代三
AI 精读提示词
主要内容AI 精读提示词 使用原则 AI 的作用是帮你拆解、解释、检查和生成最小代码，不是代替你判断论文贡献。每次问 AI 前，先明确你要它做哪一种任务： 1. 概念解释。 2. 论文结构拆解。 3. 公式逐步翻译。 4. 图表解释。 5. PyTorch 最小复现。 6. 组会表达改写。 7. 自测题生成
Attention 与 Transformer 示范答案与反例：从 Q/K/V 到序列建模
主要内容Attention 与 Transformer 示范答案与反例：从 Q/K/V 到序列建模 使用原则 这份文件只用于校准，不可以直接复制进 paper notes/03 attention.md 、 paper notes/04 transformer.md 、 daily logs/Day15 学
Attention 与 Transformer 阅读、代码与复盘工作纸
主要内容Attention 与 Transformer 阅读、代码与复盘工作纸 一句话目标 用第三周把 Attention 和 Transformer 学成一个闭环：能解释 Q/K/V、attention score、softmax weight、weighted sum、self-attention、po
Day01 概念工作纸：tensor、loss、gradient
主要内容Day01 概念工作纸：tensor、loss、gradient 今日目标 今天不追求看完课程。目标是用自己的话解释三个词： 1. tensor 2. loss 3. gradient 1. tensor 一句话定义 解决什么问题 一个具体例子 例如：一张图片、一批文本 token、一个表格样本。
Day01 示范答案与反例：tensor、loss、gradient
主要内容Day01 示范答案与反例：tensor、loss、gradient 使用原则 这份文件只用于校准表达，不可以直接复制进 结业证据档案.md 当作个人证据。真正的证据必须包含你自己的例子、你检查过的 shape、你仍然不懂的问题。 1. tensor 不合格写法 tensor 就是张量，是深度学习里
GPT-3、Scaling Law、Chinchilla 示范答案与反例：从 prompt 能力到 compute-optimal
主要内容GPT-3、Scaling Law、Chinchilla 示范答案与反例：从 prompt 能力到 compute-optimal 使用原则 这份文件只用于校准，不可以直接复制进 paper notes/07 gpt3.md 、 paper notes/08 scaling law.md 、 pap
GPT-3、Scaling Law、Chinchilla 阅读、代码与复盘工作纸
主要内容GPT-3、Scaling Law、Chinchilla 阅读、代码与复盘工作纸 一句话目标 用第五周理解大模型规模路线：GPT-3 展示 in-context learning 现象，Scaling Law 总结经验规模规律，Chinchilla 强调在给定 compute budget 下参数量
GPT 与 BERT 示范答案与反例：两条预训练语言模型路线
主要内容GPT 与 BERT 示范答案与反例：两条预训练语言模型路线 使用原则 这份文件只用于校准，不可以直接复制进 paper notes/05 gpt.md 、 paper notes/06 bert.md 、 daily logs/Day22 学习记录.md 到 Day28 学习记录.md 或 结业证
GPT 与 BERT 阅读、代码与复盘工作纸
主要内容GPT 与 BERT 阅读、代码与复盘工作纸 一句话目标 用第四周理解两条预训练语言模型路线：GPT 的 autoregressive next-token prediction，以及 BERT 的 masked language modeling。重点不是完整预训练，而是能解释训练目标、mask
MIT 6.S191 9小时课程启动包
主要内容MIT 6.S191 9小时课程启动包 来源：<https://introtodeeplearning.com/ 更新时间：2026-07-16 适用目标：在 2026 年 9 月入学前，用 MIT 6.S191 课程录像建立深度学习的最低可用理解、代码运行能力和专业表达能力。 一句话定位 这门课不
PyTorch 本地环境安装与验证清单
主要内容PyTorch 本地环境安装与验证清单 一句话定义 这份清单用于把“notebook 文件存在”推进到“我能在本地运行、解释 shape/loss、写入学习证据”。 当前判断 先运行： 如果输出里 torch: missing ，说明当前 Python 不能完整运行 PyTorch notebook
深度学习原理与经典论文路线
主要内容深度学习原理与经典论文路线 一句话定位 这条路线不是为了“补完整个深度学习本科/博士课程”，而是为了在入学前建立最低可用的深度学习研究能力：能说清基本原理，能读懂经典论文主线，能用 PyTorch 复现最小版本，能用 AI 工具辅助阅读但不被 AI 带偏。 这批材料在训练什么 1. 视频课程：建立概
RLHF、LoRA、Diffusion 示范答案与反例：对齐、适配与生成
主要内容RLHF、LoRA、Diffusion 示范答案与反例：对齐、适配与生成 使用原则 这份文件只用于校准，不可以直接复制进 paper notes/10 rlhf.md 、 paper notes/11 lora.md 、 paper notes/12 diffusion.md 、 daily log
RLHF、LoRA、Diffusion 阅读、代码与复盘工作纸
主要内容RLHF、LoRA、Diffusion 阅读、代码与复盘工作纸 一句话目标 用第六周理解三类现代深度学习问题：RLHF 让模型更符合人类偏好，LoRA 让大模型更低成本适配，Diffusion 通过加噪和去噪生成样本。 Day 36：RLHF 三阶段 1. RLHF 想解决什么问题？ 我的回答： 2
ResNet 示范答案与反例：从 residual connection 到优化困难
主要内容ResNet 示范答案与反例：从 residual connection 到优化困难 使用原则 这份文件只用于校准，不可以直接复制进 paper notes/02 resnet.md 、 daily logs/Day08 学习记录.md 到 Day14 学习记录.md 或 结业证据档案.md 。合格
ResNet 阅读、代码与复盘工作纸
主要内容ResNet 阅读、代码与复盘工作纸 一句话目标 用第二周把 ResNet 学成一个闭环：能解释 degradation problem，能画出 F x +x ，能说明 projection shortcut 为什么需要，并能讲清 toy notebook 没有复现完整 ImageNet 实验。 D
Day 01 学习记录：深度学习整体地图
主要内容Day 01 学习记录：深度学习整体地图 日期 - 今日任务 - 对应天数：Day 1 - 对应论文/概念：tensor、loss、gradient、optimizer、overfitting - 对应 notebook：暂无，先建立概念地图 90 分钟闭环记录 环节 计划 实际完成 证据 ---
Day 02 学习记录：word2vec 与 embedding 直觉
主要内容Day 02 学习记录：word2vec 与 embedding 直觉 日期 - 今日任务 - 对应天数：Day 2 - 对应论文/概念：word2vec、one-hot、embedding - 对应 notebook： dl 01 word2vec embeddings.ipynb 90 分钟闭环
Day 03 学习记录：context window 与 skip-gram 样本
主要内容Day 03 学习记录：context window 与 skip-gram 样本 日期 - 今日任务 - 对应天数：Day 3 - 对应论文/概念：context window、skip-gram - 对应 notebook： dl 01 word2vec embeddings.ipynb 90
Day 04 学习记录：negative sampling
主要内容Day 04 学习记录：negative sampling 日期 - 今日任务 - 对应天数：Day 4 - 对应论文/概念：negative sampling、正样本、负样本 - 对应 notebook： dl 01 word2vec embeddings.ipynb 90 分钟闭环记录 环节 计
Day 05 学习记录：word2vec 个人论文笔记
主要内容Day 05 学习记录：word2vec 个人论文笔记 日期 - 今日任务 - 对应天数：Day 5 - 对应论文/概念：word2vec 论文笔记 - 对应文件： paper notes/01 word2vec.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- ---
Day 06 学习记录：word2vec 口头表达
主要内容Day 06 学习记录：word2vec 口头表达 日期 - 今日任务 - 对应天数：Day 6 - 对应论文/概念：word2vec 3 分钟表达 - 对应文件： paper notes/01 word2vec.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- ---
Day 07 学习记录：第一周复盘
主要内容Day 07 学习记录：第一周复盘 日期 - 今日任务 - 对应天数：Day 7 - 对应论文/概念：word2vec、embedding、negative sampling - 对应文件： 第一周复盘.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟
Day 08 学习记录：CNN 与深层网络入口
主要内容Day 08 学习记录：CNN 与深层网络入口 日期 - 今日任务 - 对应天数：Day 8 - 对应论文/概念：CNN、卷积、通道、feature map - 对应 notebook： dl 02 resnet block.ipynb 90 分钟闭环记录 环节 计划 实际完成 证据 --- ---
Day 09 学习记录：ResNet 的 degradation problem
主要内容Day 09 学习记录：ResNet 的 degradation problem 日期 - 今日任务 - 对应天数：Day 9 - 对应论文/概念：ResNet、degradation problem - 对应文件： paper notes/02 resnet.md 90 分钟闭环记录 环节 计划
Day 10 学习记录：Residual block 与 F(x)+x
主要内容Day 10 学习记录：Residual block 与 F x +x 日期 - 今日任务 - 对应天数：Day 10 - 对应论文/概念：residual block、identity shortcut - 对应 notebook： dl 02 resnet block.ipynb 90 分钟闭环
Day 11 学习记录：Projection shortcut 与 shape 匹配
主要内容Day 11 学习记录：Projection shortcut 与 shape 匹配 日期 - 今日任务 - 对应天数：Day 11 - 对应论文/概念：projection shortcut、1x1 convolution、shape mismatch - 对应 notebook： dl 02 r
Day 12 学习记录：ResNet 个人论文笔记
主要内容Day 12 学习记录：ResNet 个人论文笔记 日期 - 今日任务 - 对应天数：Day 12 - 对应论文/概念：ResNet 一页笔记 - 对应文件： paper notes/02 resnet.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟
Day 13 学习记录：ResNet 口头表达
主要内容Day 13 学习记录：ResNet 口头表达 日期 - 今日任务 - 对应天数：Day 13 - 对应论文/概念：ResNet 3 分钟表达 - 对应文件： paper notes/02 resnet.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟
Day 14 学习记录：第二周复盘
主要内容Day 14 学习记录：第二周复盘 日期 - 今日任务 - 对应天数：Day 14 - 对应论文/概念：ResNet、degradation、residual connection - 对应文件： 第二周复盘.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20
Day 15 学习记录：Attention 直觉与 alignment
主要内容Day 15 学习记录：Attention 直觉与 alignment 日期 - 今日任务 - 对应天数：Day 15 - 对应论文/概念：Attention、alignment、context vector - 对应文件： paper notes/03 attention.md 90 分钟闭环记录
Day 16 学习记录：Q/K/V 与 attention score
主要内容Day 16 学习记录：Q/K/V 与 attention score 日期 - 今日任务 - 对应天数：Day 16 - 对应论文/概念：query、key、value、attention score - 对应 notebook： dl 03 attention qkv.ipynb 90 分钟闭环
Day 17 学习记录：softmax weight 与 weighted sum
主要内容Day 17 学习记录：softmax weight 与 weighted sum 日期 - 今日任务 - 对应天数：Day 17 - 对应论文/概念：softmax weight、weighted sum、context representation - 对应 notebook： dl 03 at
Day 18 学习记录：Transformer 与 self-attention
主要内容Day 18 学习记录：Transformer 与 self-attention 日期 - 今日任务 - 对应天数：Day 18 - 对应论文/概念：Transformer、self-attention、positional encoding - 对应文件： paper notes/04 trans
Day 19 学习记录：Attention 和 Transformer 个人论文笔记
主要内容Day 19 学习记录：Attention 和 Transformer 个人论文笔记 日期 - 今日任务 - 对应天数：Day 19 - 对应论文/概念：Attention、Transformer 一页笔记 - 对应文件： paper notes/03 attention.md 、 paper no
Day 20 学习记录：第 1 单元主线整合
主要内容Day 20 学习记录：第 1 单元主线整合 日期 - 今日任务 - 对应天数：Day 20 - 对应论文/概念：word2vec、ResNet、Attention、Transformer 主线 - 对应文件： 第01单元 表示学习到Transformer.md 90 分钟闭环记录 环节 计划 实际
Day 21 学习记录：第三周复盘
主要内容Day 21 学习记录：第三周复盘 日期 - 今日任务 - 对应天数：Day 21 - 对应论文/概念：Attention、Transformer、第 1 单元整合 - 对应文件： 第三周复盘.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟概念 复习
Day 22 学习记录：GPT 与 next-token prediction
主要内容Day 22 学习记录：GPT 与 next-token prediction 日期 - 今日任务 - 对应天数：Day 22 - 对应论文/概念：GPT、autoregressive language modeling、next-token prediction - 对应文件： paper not
Day 23 学习记录：causal mask 与 mini GPT
主要内容Day 23 学习记录：causal mask 与 mini GPT 日期 - 今日任务 - 对应天数：Day 23 - 对应论文/概念：causal mask、logits、next-token loss - 对应 notebook： dl 04 mini gpt causal lm.ipynb
Day 24 学习记录：BERT 与 masked language modeling
主要内容Day 24 学习记录：BERT 与 masked language modeling 日期 - 今日任务 - 对应天数：Day 24 - 对应论文/概念：BERT、MLM、双向上下文 - 对应文件： paper notes/06 bert.md 90 分钟闭环记录 环节 计划 实际完成 证据 --
Day 25 学习记录：MLM loss 与 TinyBERT
主要内容Day 25 学习记录：MLM loss 与 TinyBERT 日期 - 今日任务 - 对应天数：Day 25 - 对应论文/概念：MLM loss、ignore index、encoder-only Transformer - 对应 notebook： dl 05 bert mlm toy.ipy
Day 26 学习记录：GPT vs BERT 对照
主要内容Day 26 学习记录：GPT vs BERT 对照 日期 - 今日任务 - 对应天数：Day 26 - 对应论文/概念：GPT、BERT、causal LM、MLM - 对应文件： paper notes/05 gpt.md 、 paper notes/06 bert.md 90 分钟闭环记录 环
Day 27 学习记录：GPT/BERT 口头表达
主要内容Day 27 学习记录：GPT/BERT 口头表达 日期 - 今日任务 - 对应天数：Day 27 - 对应论文/概念：GPT/BERT 3 分钟表达 - 对应文件： paper notes/05 gpt.md 、 paper notes/06 bert.md 90 分钟闭环记录 环节 计划 实际完
Day 28 学习记录：第四周复盘
主要内容Day 28 学习记录：第四周复盘 日期 - 今日任务 - 对应天数：Day 28 - 对应论文/概念：GPT、BERT、causal LM、MLM - 对应文件： 第四周复盘.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟概念 复习 GPT/BER
Day 29 学习记录：GPT-3 与 in-context learning
主要内容Day 29 学习记录：GPT-3 与 in-context learning 日期 - 今日任务 - 对应天数：Day 29 - 对应论文/概念：GPT-3、few-shot、in-context learning - 对应文件： paper notes/07 gpt3.md 90 分钟闭环记录
Day 30 学习记录：prompt 范式与 GPT-3 实验结构
主要内容Day 30 学习记录：prompt 范式与 GPT-3 实验结构 日期 - 今日任务 - 对应天数：Day 30 - 对应论文/概念：prompt、few-shot examples、benchmark - 对应文件： paper notes/07 gpt3.md 90 分钟闭环记录 环节 计划
Day 31 学习记录：Scaling Law 直觉
主要内容Day 31 学习记录：Scaling Law 直觉 日期 - 今日任务 - 对应天数：Day 31 - 对应论文/概念：Scaling Law、loss、parameters、dataset size、compute - 对应文件： paper notes/08 scaling law.md 90
Day 32 学习记录：Scaling Law / Chinchilla toy notebook
主要内容Day 32 学习记录：Scaling Law / Chinchilla toy notebook 日期 - 今日任务 - 对应天数：Day 32 - 对应论文/概念：toy loss、compute budget、参数/token 权衡 - 对应 notebook： dl 06 scaling l
Day 33 学习记录：Chinchilla 与 compute-optimal training
主要内容Day 33 学习记录：Chinchilla 与 compute-optimal training 日期 - 今日任务 - 对应天数：Day 33 - 对应论文/概念：Chinchilla、undertrained model、compute-optimal - 对应文件： paper notes/
Day 34 学习记录：第 5 周三篇论文笔记
主要内容Day 34 学习记录：第 5 周三篇论文笔记 日期 - 今日任务 - 对应天数：Day 34 - 对应论文/概念：GPT-3、Scaling Law、Chinchilla - 对应文件： paper notes/07 gpt3.md 、 paper notes/08 scaling law.md
Day 35 学习记录：第五周复盘
主要内容Day 35 学习记录：第五周复盘 日期 - 今日任务 - 对应天数：Day 35 - 对应论文/概念：GPT-3、Scaling Law、Chinchilla - 对应文件： 第五周复盘.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟概念 复习 i
Day 36 学习记录：RLHF 三阶段流程
主要内容Day 36 学习记录：RLHF 三阶段流程 日期 - 今日任务 - 对应天数：Day 36 - 对应论文/概念：RLHF、SFT、reward model、policy optimization - 对应文件： paper notes/10 rlhf.md 90 分钟闭环记录 环节 计划 实际完成
Day 37 学习记录：偏好数据与 reward model
主要内容Day 37 学习记录：偏好数据与 reward model 日期 - 今日任务 - 对应天数：Day 37 - 对应论文/概念：preference data、reward model、偏好与事实正确性 - 对应文件： paper notes/10 rlhf.md 90 分钟闭环记录 环节 计划
Day 38 学习记录：LoRA 与 low-rank adaptation
主要内容Day 38 学习记录：LoRA 与 low-rank adaptation 日期 - 今日任务 - 对应天数：Day 38 - 对应论文/概念：LoRA、low-rank、parameter-efficient fine-tuning - 对应文件： paper notes/11 lora.md
Day 39 学习记录：LoRA linear notebook
主要内容Day 39 学习记录：LoRA linear notebook 日期 - 今日任务 - 对应天数：Day 39 - 对应论文/概念：frozen base weights、LoRA A/B、参数量对比 - 对应 notebook： dl 07 lora linear.ipynb 90 分钟闭环记录
Day 40 学习记录：Diffusion 加噪与去噪直觉
主要内容Day 40 学习记录：Diffusion 加噪与去噪直觉 日期 - 今日任务 - 对应天数：Day 40 - 对应论文/概念：Diffusion、forward noising、reverse denoising - 对应文件： paper notes/12 diffusion.md 90 分钟闭
Day 41 学习记录：Diffusion toy denoising notebook
主要内容Day 41 学习记录：Diffusion toy denoising notebook 日期 - 今日任务 - 对应天数：Day 41 - 对应论文/概念：noise prediction、denoising objective - 对应 notebook： dl 08 diffusion den
Day 42 学习记录：第六周复盘
主要内容Day 42 学习记录：第六周复盘 日期 - 今日任务 - 对应天数：Day 42 - 对应论文/概念：RLHF、LoRA、Diffusion - 对应文件： 第六周复盘.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟概念 复习对齐、低成本适配、去噪
Day 43 学习记录：三条主线整合
主要内容Day 43 学习记录：三条主线整合 日期 - 今日任务 - 对应天数：Day 43 - 对应内容：第 01-03 单元讲义整合 - 对应文件： 第01单元 表示学习到Transformer.md 、 第02单元 预训练语言模型与规模规律.md 、 第03单元 对齐适配与生成模型.md 90 分钟闭
Day 44 学习记录：notebook 证据整理
主要内容Day 44 学习记录：notebook 证据整理 日期 - 今日任务 - 对应天数：Day 44 - 对应内容：8 个 notebook 的证据整理 - 对应文件： notebook运行指南.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟概念 复习
Day 45 学习记录：经典论文矩阵补全
主要内容Day 45 学习记录：经典论文矩阵补全 日期 - 今日任务 - 对应天数：Day 45 - 对应内容：12 篇论文矩阵 - 对应文件： 经典论文矩阵.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟概念 复习每篇论文的最小问题 25 分钟论文 检查
Day 46 学习记录：自测题库第一轮
主要内容Day 46 学习记录：自测题库第一轮 日期 - 今日任务 - 对应天数：Day 46 - 对应内容：闭卷自测 - 对应文件： 自测题库.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟准备 不看答案，准备闭卷回答 25 分钟自测 完成 15 道题 2
Day 47 学习记录：12 篇论文主线口头练习
主要内容Day 47 学习记录：12 篇论文主线口头练习 日期 - 今日任务 - 对应天数：Day 47 - 对应内容：12 篇论文 8 分钟主线表达 - 对应文件： 最终模拟组会模板.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟准备 看三单元讲义和最终模
Day 48 学习记录：补短板
主要内容Day 48 学习记录：补短板 日期 - 今日任务 - 对应天数：Day 48 - 对应内容：错题、卡顿点、薄弱概念修正 - 对应文件： 错题与薄弱点复盘.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟筛选 从错题本选 3 个最重要薄弱点 25 分钟
Day 49 学习记录：第七周复盘
主要内容Day 49 学习记录：第七周复盘 日期 - 今日任务 - 对应天数：Day 49 - 对应内容：整合查漏复盘 - 对应文件： 第七周复盘.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟概念 复习本周错题和薄弱点 25 分钟材料 检查论文矩阵、错题本
Day 50 学习记录：最终汇报选题
主要内容Day 50 学习记录：最终汇报选题 日期 - 今日任务 - 对应天数：Day 50 - 对应内容：确定最终模拟组会主题 - 对应文件： 最终模拟组会模板.md 、 最终汇报 Transformer草稿.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟
Day 51 学习记录：10 分钟汇报初稿
主要内容Day 51 学习记录：10 分钟汇报初稿 日期 - 今日任务 - 对应天数：Day 51 - 对应内容：最终汇报初稿 - 对应文件： 最终模拟组会模板.md 、 最终汇报 Transformer草稿.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟结
Day 52 学习记录：notebook 展示设计
主要内容Day 52 学习记录：notebook 展示设计 日期 - 今日任务 - 对应天数：Day 52 - 对应内容：最终汇报中的 notebook 展示 - 对应文件： notebook运行指南.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟选择 确定
Day 53 学习记录：追问准备
主要内容Day 53 学习记录：追问准备 日期 - 今日任务 - 对应天数：Day 53 - 对应内容：最终汇报追问回答 - 对应文件： 最终模拟组会模板.md 、 自测题库.md 、 错题与薄弱点复盘.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟筛选 从
Day 54 学习记录：第一次完整演练
主要内容Day 54 学习记录：第一次完整演练 日期 - 今日任务 - 对应天数：Day 54 - 对应内容：第一次 10 分钟模拟组会演练 - 对应文件： 最终模拟组会模板.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟准备 快速过一遍汇报稿和 noteb
Day 55 学习记录：修改与第二版
主要内容Day 55 学习记录：修改与第二版 日期 - 今日任务 - 对应天数：Day 55 - 对应内容：修改最终汇报稿 - 对应文件：最终汇报稿、notebook 展示脚本、追问回答 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟定位 从 Day54 找 3
Day 56 学习记录：最终演练与自评
主要内容Day 56 学习记录：最终演练与自评 日期 - 今日任务 - 对应天数：Day 56 - 对应内容：最终模拟组会 - 对应文件： 第八周最终复盘.md 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟准备 最后检查汇报稿、notebook、追问 25 分钟
每日学习记录模板
主要内容每日学习记录模板 日期 - 今日任务 - 对应天数： - 对应论文/概念： - 对应 notebook： 90 分钟闭环记录 环节 计划 实际完成 证据 --- --- --- --- 20 分钟概念 25 分钟论文 25 分钟代码 10 分钟总结 10 分钟自测/AI 提问 今天真正理解的 3 件
第一周复盘：深度学习基础与 word2vec
主要内容第一周复盘：深度学习基础与 word2vec 本周目标 建立深度学习基本词汇，并理解 word2vec 的最小机制：one-hot、embedding、context window、skip-gram、negative sampling。 本周完成证据 证据 文件或输出 是否完成 --- --- -
第七周复盘：整合与查漏
主要内容第七周复盘：整合与查漏 本周目标 把 12 篇论文、8 个 notebook、自测题、错题本和最终汇报选题整合起来，确认第 8 周可以进入模拟组会。 本周完成证据 证据 文件或输出 是否完成 --- --- --- Day43-Day49 学习记录 daily logs/Day43 学习记录.md
第三周复盘：Attention 与 Transformer
主要内容第三周复盘：Attention 与 Transformer 本周目标 理解 Attention 和 Transformer 的核心机制：Q/K/V、attention score、softmax weight、weighted sum、self-attention、positional encodi
第二周复盘：ResNet 与深层网络
主要内容第二周复盘：ResNet 与深层网络 本周目标 理解 ResNet 的核心问题和机制：深层网络的 degradation problem、residual connection、identity shortcut、projection shortcut。 本周完成证据 证据 文件或输出 是否完成 -
第五周复盘：GPT-3、Scaling Law、Chinchilla
主要内容第五周复盘：GPT-3、Scaling Law、Chinchilla 本周目标 理解 GPT-3 的 in-context learning，Scaling Law 的经验规律，以及 Chinchilla 对参数量、token 数和 compute budget 的平衡观点。 本周完成证据 证据 文
第八周最终复盘：模拟组会
主要内容第八周最终复盘：模拟组会 本周目标 完成一次 10 分钟模拟组会，证明自己能把深度学习经典论文主线、一个具体论文、一个 notebook、理解边界和追问回答连起来。 本周完成证据 证据 文件或输出 是否完成 --- --- --- Day50-Day56 学习记录 daily logs/Day50
第六周复盘：RLHF、LoRA、Diffusion
主要内容第六周复盘：RLHF、LoRA、Diffusion 本周目标 理解现代深度学习从“模型能训练”走向“模型可用、可调、可生成”的三类问题：RLHF 对齐、LoRA 低成本适配、Diffusion 去噪生成。 本周完成证据 证据 文件或输出 是否完成 --- --- --- Day36-Day42 学习
第四周复盘：GPT 与 BERT
主要内容第四周复盘：GPT 与 BERT 本周目标 理解 GPT 和 BERT 的两种预训练语言模型路线：causal language modeling 与 masked language modeling。 本周完成证据 证据 文件或输出 是否完成 --- --- --- Day22-Day28 学习记
notebook 运行指南
主要内容notebook 运行指南 当前状态 当前 Codex 内置 Python 环境没有安装 PyTorch，因此以下 notebook 已完成 JSON/结构验证，但还需要在有 torch 的环境中完整运行： - dl 01 word2vec embeddings.ipynb - dl 02 resn
word2vec 个人论文笔记
主要内容word2vec 个人论文笔记 基本信息 - 标题：Efficient Estimation of Word Representations in Vector Space - 年份：2013 - 主题：表示学习 / 词向量 - 对应 notebook： dl 01 word2vec embeddi
ResNet 个人论文笔记
主要内容ResNet 个人论文笔记 基本信息 - 标题：Deep Residual Learning for Image Recognition - 年份：2015 - 主题：深层网络 / 残差连接 - 对应 notebook： dl 02 resnet block.ipynb 一句话总结 这篇论文主要研究
Attention 个人论文笔记
主要内容Attention 个人论文笔记 基本信息 - 标题：Neural Machine Translation by Jointly Learning to Align and Translate - 年份：2014 - 主题：注意力 / 序列对齐 - 对应 notebook： dl 03 attent
Transformer 个人论文笔记
主要内容Transformer 个人论文笔记 基本信息 - 标题：Attention Is All You Need - 年份：2017 - 主题：self-attention / 序列建模 - 对应 notebook： dl 03 attention qkv.ipynb 一句话总结 这篇论文主要研究：能否
GPT 个人论文笔记
主要内容GPT 个人论文笔记 基本信息 - 标题：Improving Language Understanding by Generative Pre-Training - 年份：2018 - 主题：自回归预训练 - 对应 notebook： dl 04 mini gpt causal lm.ipynb 一
BERT 个人论文笔记
主要内容BERT 个人论文笔记 基本信息 - 标题：BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding - 年份：2018 - 主题：masked language modeling - 对应 no
GPT-3 个人论文笔记
主要内容GPT-3 个人论文笔记 基本信息 - 标题：Language Models are Few-Shot Learners - 年份：2020 - 主题：in-context learning / 大模型 - 对应 notebook：无训练复现，使用 prompt/in-context learnin
Scaling Law 个人论文笔记
主要内容Scaling Law 个人论文笔记 基本信息 - 标题：Scaling Laws for Neural Language Models - 年份：2020 - 主题：规模规律 / 经验规律 - 对应 notebook： dl 06 scaling law chinchilla toy.ipynb
Chinchilla 个人论文笔记
主要内容Chinchilla 个人论文笔记 基本信息 - 标题：Training Compute-Optimal Large Language Models - 年份：2022 - 主题：compute-optimal training - 对应 notebook： dl 06 scaling law ch
RLHF 个人论文笔记
主要内容RLHF 个人论文笔记 基本信息 - 标题：Training language models to follow instructions with human feedback - 年份：2022 - 主题：人类反馈 / 对齐 - 对应 notebook：不强行复现 PPO，使用三阶段流程图和偏好
LoRA 个人论文笔记
主要内容LoRA 个人论文笔记 基本信息 - 标题：LoRA: Low-Rank Adaptation of Large Language Models - 年份：2021 - 主题：低秩适配 / 参数高效微调 - 对应 notebook： dl 07 lora linear.ipynb 一句话总结 这篇论
Diffusion 个人论文笔记
主要内容Diffusion 个人论文笔记 基本信息 - 标题：Denoising Diffusion Probabilistic Models - 年份：2020 - 主题：扩散模型 / 去噪生成 - 对应 notebook： dl 08 diffusion denoising toy.ipynb 一句话总
word2vec 口头表达与复盘工作纸
主要内容word2vec 口头表达与复盘工作纸 一句话目标 用 Day 6-Day 7 证明你不是“看过 word2vec”，而是能讲清它解决什么问题、怎么做、notebook 复现了什么、还有什么没懂。 Day 6：3 分钟口头表达 1. 20 秒开场：这篇论文解决什么问题？ 模板： 我今天解释的是 wo
word2vec 示范答案与反例：从“看过”到“讲清楚”
主要内容word2vec 示范答案与反例：从“看过”到“讲清楚” 使用原则 这份文件只用于校准，不可以直接复制进 paper notes/01 word2vec.md 、 daily logs/Day02 学习记录.md 或 结业证据档案.md 。合格证据必须包含你自己读论文时看到的句子、你运行 noteb
word2vec 阅读与笔记工作纸
主要内容word2vec 阅读与笔记工作纸 一句话目标 用 4 天把 word2vec 学成第一个闭环：能解释 embedding，能说清 skip-gram/negative sampling，能把 notebook 对应到论文机制，并形成一页个人笔记。 Day 2：读摘要和引言 1. 这篇论文想解决什么
入门诊断测试
主要内容入门诊断测试 一句话定位 这个测试不是考试，而是用 60-90 分钟判断你学习深度学习时最可能卡在哪里：概念、数学、代码、论文阅读，还是口头表达。 使用方法 1. 不查资料，先独立完成第一遍。 2. 每题只写自己真实会说的话，不要写 AI 风格答案。 3. 完成后按“评分方式”标出 A/B/C/D
入门诊断答题纸
主要内容入门诊断答题纸 使用说明 先独立填写，不查资料，不让 AI 直接代答。写完后再把答案交给 AI 或老师检查。 A. 概念直觉 A1. 什么是 tensor？它和普通表格数据有什么关系？ 我的回答： 证据例子： A2. 什么是 loss？为什么模型训练需要 loss？ 我的回答： 证据例子： A3.
学习证据检查
主要内容学习证据检查 一句话定义 学习证据检查用于判断 结业证据档案.md 和 完成判定表.md 里还有哪些空白证据项，避免把“文件存在”误判成“已经学会”。 使用命令 日常学习时，如果你想同时看到当天任务和最近证据缺口，优先运行： 如果只想检查证据表本身，在仓库根目录运行： 输出怎么理解 脚本会输出每个证
完成判定表
主要内容完成判定表 一句话定义 这张表用于最后判断“深度学习原理与经典论文路线”是否真正达标。判定只看证据，不看感觉。 判定等级 等级 含义 --- --- 未开始 只有材料，没有个人证据 进行中 有部分笔记或代码，但还不能连成汇报 基本达标 能解释主线，能展示最小 demo，能回答基础追问 可用于科研入门
当前进度看板
主要内容当前进度看板 总体状态 目标不是“看完材料”，而是形成可验证能力：能解释、能读论文、能写最小代码、能做组会表达。 截至当前，已经完成： - 3 个学习单元讲义。 - 3 个论文笔记包。 - 8 个最小复现/演示 notebook。 - 1 套核心概念清单。 - 1 套阶段验收表。 - 1 套 AI
掌握度追踪表
主要内容掌握度追踪表 一句话定义 这张表用来判断你是“看过材料”，还是已经达到“能解释、能读论文、能跑代码、能被追问”的程度。 使用规则 每学完一篇论文，只填一行。不要追求好看，重点是留下证据。 评分采用 0-2 分： 分数 含义 --- --- 0 没有证据，或只能复述 AI/教材 1 能大致解释，但代码
最终模拟组会模板
主要内容最终模拟组会模板 目标 用 10 分钟证明你不是“看过材料”，而是已经能把论文、概念、代码和理解边界连起来表达。 汇报结构 1. 开场：我学的主线是什么 建议 1 分钟。 模板： 我这次汇报的主题是深度学习经典论文的入门主线。我把 12 篇论文分成三组：第一组是表示学习到 Transformer，第
最终汇报草稿：以 Transformer 为例
主要内容最终汇报草稿：以 Transformer 为例 使用说明 这是一份可修改的 10 分钟模拟组会草稿。你可以把主题换成 word2vec、ResNet、GPT、BERT、LoRA 或 Diffusion。当前版本选择 Transformer，因为它连接前后两部分：attention 机制和大模型预训练
最终验收证据提交清单
主要内容最终验收证据提交清单 一句话定位 这份清单用于 Day50-Day56。它不教新内容，只规定最后如何把个人学习产出提交成可检查证据，避免“我学了很多，但完成判定表仍然空着”。 最终验收只看证据 不能作为完成证据： - 文件存在。 - 视频看过。 - AI 解释过。 - notebook 打开过。 -
核心概念清单
主要内容核心概念清单 使用方法 这不是背诵清单，而是学习进度表。每个概念至少达到三层： 1. 直觉解释：能用自己的话说它在解决什么问题。 2. 专业表达：能在课堂或组会中使用准确术语。 3. 最小代码：能写一个 toy example 或解释 notebook 中对应代码。 第一组：神经网络基础 概念 一句
每日启动助手
主要内容每日启动助手 一句话定义 每日启动助手用于每天开始学习前快速确定：今天学什么、打开哪些文件、交付什么证据。 使用命令 日常学习优先运行每日控制台，它会同时给出“今天任务”、间隔复习、闭卷自测、“今日证据目标”和“最近证据缺口”： 把 --day 1 改成当前天数，例如 --day 16 。 如果只想
第 01 单元：从表示学习到 Transformer
主要内容第 01 单元：从表示学习到 Transformer 一句话定义 这个单元回答一个问题：深度学习如何把离散符号、图像和序列，逐步变成可以训练、可以组合、可以扩展的大模型结构。 解决什么问题 如果直接从 GPT、BERT 或大模型开始学，容易只记住名词，看不懂底层变化。本单元按历史和逻辑顺序串起四篇论
第 01 单元论文笔记包
主要内容第 01 单元论文笔记包 使用方法 每篇论文先只填一页。目标是能讲清主线，而不是把所有细节一次性读完。 1. word2vec 论文：Efficient Estimation of Word Representations in Vector Space 一句话贡献： - 通过预测上下文/目标词，从
第 02 单元论文笔记包
主要内容第 02 单元论文笔记包 使用方法 本单元的重点不是背模型名字，而是回答：预训练模型的目标是什么，模型能力如何随规模变化，数据和计算预算如何限制模型。 1. GPT 论文：Improving Language Understanding by Generative Pre-Training 一句话贡
第 02 单元：预训练语言模型与规模规律
主要内容第 02 单元：预训练语言模型与规模规律 一句话定义 这个单元回答一个问题：为什么现代语言模型不再只为单个任务训练，而是先在大规模文本上预训练，再通过提示、微调或规模扩展获得通用能力。 解决什么问题 第 1 单元解决了 Transformer 的结构问题。第 2 单元继续往前走：有了 Transfo
第 03 单元：对齐、适配与生成模型
主要内容第 03 单元：对齐、适配与生成模型 一句话定义 这个单元回答一个问题：当大模型已经能生成和理解文本之后，我们如何让它更符合人类偏好、如何低成本适配任务、以及如何理解扩散模型这条生成路线。 解决什么问题 前两个单元已经覆盖表示学习、Transformer、预训练和规模规律。第 3 单元补齐三类现代深
第 03 单元论文笔记包
主要内容第 03 单元论文笔记包 使用方法 本单元的重点是区分三类问题：对齐、适配、生成。每篇论文只先抓一个核心机制。 1. RLHF 论文：Training language models to follow instructions with human feedback 一句话贡献： - 用人类反馈训
第一周启动包
主要内容第一周启动包 一句话定义 第一周只做一件事：把“深度学习是怎么从数据中学表示”这件事讲清楚，并用 word2vec notebook 跑出最小证据。 解决什么问题 很多初学者一上来就看 Transformer，会卡在三个地方： 1. 不知道向量、loss、gradient 在干什么。 2. 不知道
第一次学习会话启动单
主要内容第一次学习会话启动单 一句话定义 第一次学习会话的目标不是“进入深度学习”，而是完成一次可验证的最小闭环：诊断当前水平、学会 3 个核心词、留下证据、决定明天是否放慢。 适用场景 如果你第一次打开这套材料，先不要直接读 Transformer 或 GPT-3。先按这张启动单做 90-120 分钟。
第七周整合查漏工作纸
主要内容第七周整合查漏工作纸 一句话目标 第七周不再学习新论文，而是把 12 篇论文、8 个 notebook、自测题、错题本和最终汇报选题整合起来，判断第八周是否可以进入模拟组会。 Day 43：三条主线整合 1. 表示学习到 Transformer 包含论文： 这条线解决的问题： 我能讲清的机制： 2.
第八周最终演练工作纸
主要内容第八周最终演练工作纸 一句话定位 第八周不是继续“多看一点资料”，而是把前 7 周的论文理解、notebook 证据和表达能力压缩成一次可检验的 10 分钟模拟组会。 本周产出 Day 任务 必须留下的证据 放在哪里 --- --- --- --- Day50 选择最终汇报论文 选题理由、为什么适合
经典论文矩阵
主要内容经典论文矩阵 编号 论文 年份 研究问题 核心方法 先掌握的概念 最小复现点 验收问题 --- --- ---: --- --- --- --- --- 1 word2vec 2013 如何从大规模文本中学习词的向量表示 skip-gram、CBOW、negative sampling one-ho
结业证据档案
主要内容结业证据档案 一句话定义 这份档案用来集中保存你是否真正学会深度学习原理路线的证据。只有这里的证据足够，才能说“我不是看过材料，而是已经形成最低可用能力”。 使用方式 每完成一个阶段，把证据链接或摘要填进来。不要写“已完成”，要写能被检查的证据。 合格证据包括： 1. 你自己的文字答案。 2. no
老师同学提问与组会话术
主要内容老师同学提问与组会话术 一句话定义 这份清单帮助你把“我不懂”改写成专业、具体、可讨论的问题，把“我看过”改写成有证据、有边界的组会表达。 使用原则 1. 先说自己已经理解到哪一步。 2. 再说卡在什么具体位置。 3. 最后给出希望对方帮你判断的问题。 不推荐： 老师，这篇论文我没看懂。 推荐： 我
自测题库
主要内容自测题库 使用方法 先闭卷回答，再看要点。答不出来不是失败，而是定位下一步要补的地方。 自动抽取当天自测题 在仓库根目录运行： 默认只显示题目，不显示合格要点。答完后再运行： 也可以指定主题，例如： 日常更推荐直接运行 scripts/study dashboard.py --day N ，它会把当
视频书籍论文对照图
主要内容视频书籍论文对照图 一句话定义 这张图说明 MIT 6.S191、Stanford CS224N、两本深度学习书和 12 篇经典论文各自负责什么，避免把所有材料都当成必须完整刷完的清单。 总原则 先用视频建立直觉，再用书查概念和公式，最后用论文和 notebook 形成可验证能力。 资源分工 资源
论文到代码复现工作流
主要内容论文到代码复现工作流 一句话定义 这份工作流把“读论文”转成“能用 PyTorch 写出核心机制的最小 demo”，目标不是复现 SOTA，而是证明你理解了论文最关键的一小块。 解决什么问题 直接读经典论文容易出现三种假懂： 1. 知道论文名字，但说不清它解决什么问题。 2. 能看懂 AI 的解释，
证据填写规范与示例
主要内容证据填写规范与示例 一句话定义 证据填写不是记录“我学过什么”，而是留下别人能检查、能追问、能判断你是否真正理解的材料。 证据的最低标准 一条合格证据至少满足 3 个条件： 1. 是你自己的表达，不只是复制资料或 AI 回答。 2. 能指向一个具体文件、notebook、shape、loss、图、口
证据补全 7 天计划
主要内容证据补全 7 天计划 一句话定义 这份文件用于把 结业证据档案.md 和 完成判定表.md 的空白项转成 7 天内可执行的补证任务。它解决的问题不是“今天学什么新内容”，而是“已经学过或准备学的内容如何变成可验收证据”。 使用命令 在仓库根目录运行： 默认输出 7 天计划，每天 2 个证据任务。 如
资源取舍规则
主要内容资源取舍规则 一句话定义 资源取舍规则用来决定什么时候看视频、什么时候查书、什么时候读论文、什么时候写代码，避免陷入“资料很多但没有产出”。 核心判断 每天开始前只问一个问题： 今天我要交付什么证据？ 如果没有证据目标，就不要开始看长视频或长章节。 四类资源的优先级 当前卡点 优先资源 目标产出 -
错题与薄弱点复盘
主要内容错题与薄弱点复盘 使用方法 每次做 自测题库.md 或组会追问后，把答错、答虚、答不专业的问题放进这里。目标不是收集失败，而是把薄弱点变成下一次任务。 错题记录表 日期 题目/追问 我的原回答 问题类型 修正后的合格回答 下一步任务 --- --- --- --- --- --- 概念不清 / sh
间隔复习计划
主要内容间隔复习计划 一句话定义 间隔复习用来解决“今天觉得懂了，三天后讲不出来”的问题。每篇论文至少复习 4 次：当天、第 2 天、第 7 天、第 21 天。 为什么需要间隔复习 深度学习论文的难点不是单次阅读，而是把概念、公式、代码和表达长期连接起来。间隔复习的目标是让你每次重新提取知识，而不是反复重看
阶段验收表
主要内容阶段验收表 总验收标准 这条路线完成时，不以“看完多少小时视频”为准，而以可观察产出为准： 1. 12 篇论文各有一页笔记。 2. 至少 6 个 PyTorch 最小复现 demo。 3. 至少 1 次 10 分钟模拟组会。 4. 能回答每篇论文的核心验收问题。 5. 能明确说出自己还不懂的边界。
人工智能
主要内容< -- AUTO-GENERATED: scripts/update obsidian courses.py -- 人工智能 自动生成时间：2026-07-16 18:00 这门课现在怎么用 把机器学习、深度学习、经典论文、notebook 复现和 AI 协作提示词组织成一套可执行学习系统。 推荐
统计推断章节目录总览
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
第 1 章 绪论
主要内容第 1 章 绪论 本章在学什么 一句话：本章学习如何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： 课程和工作用途：以后看到成绩、问卷、实验、用户行为、设备误差等数据，先判断“总体是什么、样本是什么、要推断的参数是什么、能计算的统计量是什么”。 教材目录
第 2 章 抽样分布及若干预备知识
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.
第 3 章 点估计
主要内容第 3 章 点估计 本章在学什么 一句话：学习如何用样本构造一个数来估计未知总体参数，并评价这个估计好不好。 教材目录 - 3.1 引言 - 3.2 矩估计 - 3.3 极大似然估计 - 3.4 一致最小方差无偏估计 - 3.5 Cramer-Rao 不等式 - 3.6 概率密度函数的核估计 - 习
第 4 章 区间估计
主要内容第 4 章 区间估计 本章在学什么 一句话：学习如何用一个区间表达参数估计的不确定性。 教材目录 - 4.1 区间估计的基本概念 - 4.2 枢轴变量法 - 正态总体参数的置信区间 - 4.3 枢轴变量法 - 非正态总体参数的置信区间 - 4.4 Fisher 的信仰推断法 - 4.5 容忍区间与容
第 5 章 参数假设检验
主要内容第 5 章 参数假设检验 本章在学什么 一句话：学习如何判断样本证据是否足以反驳一个关于总体参数的假设。 教材目录 - 5.1 假设检验的若干基本概念 - 5.2 正态总体参数的假设检验 - 5.3 似然比检验 - 5.4 一致最优检验与无偏检验 - 5.5 假设检验与区间估计 - 习题 5 必须掌
第 6 章 非参数假设检验
主要内容第 6 章 非参数假设检验 本章在学什么 一句话：学习当总体分布假设不可靠时，如何用更少假设完成检验。 教材目录 - 6.1 引言 - 6.2 符号检验及符号秩和检验 - 6.3 Wilcoxon 两样本秩和检验 - 6.4 拟合优度检验 - 6.5 列联表中的独立性和齐一性检验 - 6.6 其他的
第 7 章 Bayes 方法和统计决策理论
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：学习如何把先验知识和样本证据结合起来进行统计推断和决策。 教材目录 - 7.1 引言和若干基本概念 - 7.2 先验分布的确定 - 7.3 Bayes 统计推断 - 7.4 Bayes 统计决策理论 - 7.5 Minimax 准则
统计推断
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 01 专业概念地图/
数理统计
主要内容< -- AUTO-GENERATED: scripts/update obsidian courses.py -- 数理统计 自动生成时间：2026-07-16 18:00 这门课现在怎么用 把统计推断、分布、估计、检验、回归和不确定性表达整理成课程作业可用的知识入口。 推荐入口 - 13 课程O
极值
主要内容< -- AUTO-GENERATED: scripts/update obsidian courses.py -- 极值 自动生成时间：2026-07-16 18:00 这门课现在怎么用 围绕极端事件、尾部风险、重尾分布、GEV/GPD/POT 和复杂网络极值建立一条可复习、可汇报、可写作业的路线
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 13 课程Obsidian看板/ 顶层，方便 Obsidian 文件列表和课程入口直接显示。 直接入口 - 13 课程Obsidian看板/数理统计/统计推断/README 统计推断 README - 13 课程Obsidian看板/数理统计
课程学习入口
主要内容< -- AUTO-GENERATED: scripts/update obsidian courses.py -- 课程学习入口 自动生成时间：2026-07-16 18:00 这里是 Obsidian 里的三门课总入口。已有文件不移动，通过双链纳入课程看板。 三门课 - 13 课程Obsidia
Codex 工作规则：智能复杂体系入学准备
主要内容Codex 工作规则：智能复杂体系入学准备 本仓库用于帮助一名跨专业硕士新生，在 2026 年 9 月入学前建立“专业表达 + AI 协作 + 作业完成”的最低可用能力。 默认回答风格 - 使用中文回答，必要的专业术语保留英文。 - 先给直觉解释，再给专业表达，再给公式或代码。 - 面向跨专业学习者
智复学习：入学前专业表达与 AI 协作系统
主要内容智复学习：入学前专业表达与 AI 协作系统 这个仓库不是传统补课笔记，而是一个面向 2026 年 9 月入学前的“专业交流 + AI 协作 + 作业完成”训练系统。 使用顺序 1. 先读 00 快速开始/README.md 。 2. 每周按 05 每周执行/12周路线图.md 推进。 3. 每天用
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
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
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
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
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
总索引
主要内容总索引 先从这里开始 - README.md ：仓库总说明。 - 00 快速开始/README.md ：第一天怎么开始。 - 00 快速开始/当前进度.md ：当前材料数量和下一步。 - 04 Codex工作流/入学阶段AI操作手册.md ：每天如何用 AI/Codex。 12 周路线 - 05 每