一张「机器学习全景地图」，从 AI/ML/DL 的概念关系、数据三要素、建模流程，到 KNN / 线性回归 / 逻辑回归 / 决策树 / 集成学习 / K-Means 六大算法族，再加一个走完闭环的时间序列案例（南方电网电力负荷预测）与求职工程环节（Git、简历、求职沟通）。 一、这份材料解决什么问题 它回答的不是「某个算法怎么写」，而是评审者最想…

用「信息熵 → 信息增益 → 信息增益率 → 基尼指数」四条主线讲透 ID3 / C4.5 / CART 三代决策树，补齐连续值处理、回归树、剪枝三块工程细节，最后自然过渡到随机森林，也就是新闻分类项目里 TF-IDF + 随机森林 那条基线的单棵树底座。 一、这份材料解决什么问题 决策树是整个树模型家族的原子单元。随机森林、GBDT、XGBoos…

NLP 系列的收尾总结课，用一张总表钉死 Encoder-only / Decoder-only / Encoder-Decoder 三类架构的差别，再把 BERT 与 GPT 的预训练任务、微调方式、适用任务逐项对照。 一、这份材料解决什么问题 前面的课时是分头讲的：Transformer 结构、注意力机制、词向量、ELMo/BERT/GPT 各…

这是从「手写 Transformer」跨到「用 HuggingFace 干活」的那一步，把 transformers 库的三种调用方式（pipeline / AutoModel / 具体模型）、tokenizer 编码、Dataset+collate_fn+DataLoader 供数、BERT 微调五步循环、保存加载与评估预测，用三个可跑通的完整案…

一份「上手即用」的 FastText 工程课，用 train_supervised() / train_unsupervised() 两个 API 覆盖文本分类与词向量两条线，并在原理层面补上层次化 Softmax 与负采样这两条「高效输出层」路线。 一、这份材料解决什么问题 在新闻分类项目这类新闻标题分类项目里，四段式技术路线是 TF-IDF +…

把 day05~07 学过的 Transformer 架构接上真实数据，用 Tatoeba 英法句对走完「清洗 → 双词表 → 截断填充 → 三类 Mask → token 级 loss → Teacher Forcing → 自回归解码 → BLEU」的全流程，并留下 25 个 epoch 的真实训练曲线、一次真实的翻译失败样例和一份手写 BLE…

从"逐块手写"出发把 Transformer 拆成输入（词嵌入 + 位置编码）、Mask、编码器（多头自注意力 + FFN + Add&Norm）、解码器（掩码自注意力 + 交叉注意力 + FFN）、输出（线性 + softmax）五段，再用 nn.Transformer 走一遍工程实现，这是整个 NLP 系列地基级的一份材料。 一、这份材…

把「Encoder–Decoder 只给一个 C」这个瓶颈讲透，然后从中拆出 Attention 的 Q/K/V 三要素与「打分 → 归一化 → 加权求和」三步，落到缩放点积公式 \text{softmax}(QK^\top/\sqrt{d_k})V 上，这一页是 RNN 时代通往 Transformer 的那道门。 一、这份材料解决什么问题 RN…

从「一层 RNN 的隐状态递推」出发，把参数共享、时间展开、BPTT 梯度连乘这条主线讲透，再用门控（LSTM 三门一状态、GRU 两门一状态）补上长依赖这个窟窿，最后落在「RNN 系列天生不可并行」这个致命短板上，也就是 Transformer 出现的理由。 一、这份材料解决什么问题 前一站（day01/day02）把文本变成了离散符号：词表、索…

一份「数据 → 特征 → 增强」的文本预处理施工手册，上半篇用五个统计动作把语料的毛病看出来（标签均衡、长度分布、语料质量），下半篇把原始文本变成模型能吃的等长数值张量（n-gram、截断补齐），外加回译增强和三个扩展专题（TF+Cosine / SBERT / FastText Subword）。 一、这份材料解决什么问题 day01《自然语言处…