第 06 周复盘

综合实践 · 05_每周执行/第06周_复盘.md

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. 邻接矩阵
9. PageRank
10. 主成分分析

本周专业问题

1. 逻辑回归和随机森林分别适合什么场景？
2. PCA 降维为什么可能降低解释性？
3. ARIMA 建模前为什么要检查平稳性？
4. Granger 因果为什么不能等同于真正因果？
5. PageRank 和度中心性有什么区别？

本周可用于课堂/组会的表达

1. 我会先用逻辑回归作为可解释基准，再比较随机森林这类非线性模型。
2. PCA 能压缩高维信息，但主成分的实际含义需要谨慎解释。
3. Granger 因果更准确地说是预测意义上的因果，不等同于机制因果。

本周 AI 协作案例

• 原始论文方法：
• 我的提示词：
• AI 判断的任务类型：
• 我检查出的假设或局限：
• 我最终采用的组会表达：

本周最容易露怯的点

• 看到模型名只知道“高级”，不知道任务类型。
• 把 Granger 因果说成真正因果。
• 不知道网络指标需要先定义节点和边。

下周补救动作

• 读论文方法部分时，先标出输入、模型、输出。
• 每个模型都补一个“它不能说明什么”。
• 练习用 5 分钟解释一个论文方法。

3 分钟解释练习

• 主题：如何根据任务选择基准模型
• 是否能讲满 3 分钟：
• 卡住的位置：
• 下一版要改进：