Machine-learning-skills

🇨🇳 简体中文 | 🇺🇸 English

以西瓜书方法论为骨架、扩展至深度学习与大模型时代的全栈 ML 方法论 Skill 合集

🚧 v0.0.2 — 史诗扩充版。在 v0.0.1 的 28 个 skill 基础上新增批D（数学与架构基础 ×5）与批E（应用与交叉学科 ×6）共 11 个 skill，测试同规格扩至 351 条；合集处于早期阶段，结构与内容会持续迭代；欢迎通过 Issue 反馈触发不准或内容错误。

---

这是什么

这不是又一份机器学习知识点摘要，而是一套 AI-agent 可直接调用的决策方法论合集，共 39 个 skill，沿 ML 工作流全程铺开（总控路由 → 选型与评估 → 训练诊断调参 → 模型族施工 → 数据与特征 → 大模型时代 → 上线防御 → 专项进阶 → LLM 应用与运维）。它的知识来自四层，性质各异、如实标注：

1. 🍉 西瓜书验证单元（router + 17 个子 skill）——把周志华《机器学习》（2016）里反复出现的判断纪律——"脱离任务谈算法优劣无意义"、"先修尺子再谈诊断"、"训练精度满分是红旗不是捷报"、"理论给出边界而非答案"——经跨域复现 / 预测力 / 独特性三关验证后蒸馏成原子决策框架，R 段逐字引用原书并标注章节。
2. 🌱 书内补全单元（8 个"批A"子 skill）——西瓜书池外补充的书内内容（神经网络/SVM/聚类/规则/概率图/RL/半监督/多分类），沿用同一套三重验证流程，R 段同样逐字引用原书。
3. 📜 经典文献共识外推（6 个"大模型时代"+ 3 个架构基础 skill）——Transformer 架构、预训练-微调范式、思维链等主题超出原书时代，改从奠基文献（Attention Is All You Need、BERT、GPT-3、Scaling Laws、CoT、Deep Learning 教科书等）的学界公认结论构造；批D 的 CNN/RNN/AutoML-NAS 同属此类（LeNet-5、ResNet、LSTM、NAS 综述等奠基文献）；R 段为逐条标注"（转述）"的文献表述，不是原书文字。
4. 🛠️ 工程与交叉学科共识（4 个"工程落地"+ 批E 全部 6 个 skill）——数据泄漏防御、特征工程、实验可复现、超参搜索从业界公开共识构造；批E 的因果推断、可解释性（XAI）、联邦隐私、RAG、多模态、MLOps 六个 skill 归入本层并注明"应用与交叉学科"——主题横跨统计学、博弈论、密码学与 ML 工程，素材为 Pearl/Rubin、LIME/SHAP、FedAvg/Dwork、Lewis RAG、CLIP、Sculley 技术债等公认文献与业界白皮书的转述。它们是纪律与通行做法，不是定理。

每个 skill 都带：

• 📖 原文锚点（R）：书内 skill 逐字引用原书章节（≤150 字并标注出处）；文献/工程 skill 转述奠基文献或业界文档并注明来源性质
• 🦴 方法论骨架（I）：原始表述被重写为可操作的判断结构
• 📚 经典案例（A1）：作者亲自演算过的案例，或奠基文献中的原始实验叙述
• 🎯 触发场景（A2）：中英双写的语言信号，让 agent 知道何时激活、何时不该
• ✅ 执行步骤（E）：每步有完成标准与判停条件
• ⚠️ 边界警告（B）：何时失效 + 来源盲点 + 反场景

✨ 特性

• 🔬 97 处三重验证单元 + 29 处扩展单元 — 书内内容全部通过 V1 跨域复现 / V2 预测力 / V3 独特性三关验证，淘汰明细留档可追溯；扩展单元按同规格测试
• 📐 RIA++ 六段同构 — 39 个 skill 共享同一结构（Reading / Interpretation / Past Application / Future Trigger / Execution / Boundary），agent 读一个就认识全部
• 🧭 总控路由 — ml-methodology-router 是唯一调度入口：先定位你卡在工作流哪一段，再派发对应子 skill
• 🧪 351 条盲测用例同规格覆盖 — 每个 skill 配 test-prompts.json（should_trigger + 混淆诱饵 + edge case），由未接触期望答案的独立盲测员判卷，darwin-skill 兼容可直接进化
• 🔗 Zettelkasten 链接网络 — skill 间的关系（depends-on / contrasts-with / composes-with）全部显式声明，见 INDEX.md 的引用图

📦 安装

方式一：Claude Code 用户级安装（推荐）

# v0.0.2 最新发布版本
git clone -b v0.0.2 https://github.com/fieldlu/Machine-learning-skills.git
cp -r Machine-learning-skills/skills/* ~/.claude/skills/

方式二：直接 clone 后按宿主放置

# 项目级（仅当前项目可用）
cp -r skills/<skill-slug> <project>/.claude/skills/    # Claude Code
cp -r skills/<skill-slug> <project>/.cursor/skills/    # Cursor

方式三：手动复制单个 skill

只需要某个专项（比如只要泄漏防御）？直接把 skills/ml-leakage-defense/ 一个目录拷进宿主 skills 目录即可。每个 skill 目录自包含（SKILL.md + 测试文件），不依赖仓库其他文件。唯一建议：如果全装，router 会自动帮你串联其余 38 个。

🚀 快速开始

装好后，像平常一样向 agent 提问即可。六个真实场景：

① "该用什么算法？" → router 定位到选型前思考 → 派发 ml-task-matching

你：我们要做一个欺诈检测，团队说 XGBoost 是榜单第一，直接上？

agent：先放下榜单——NFL 定理证明脱离具体任务谈算法优劣没有意义。先刻画你的任务：样本量多大？正负比例多少？错误代价对称吗？欺诈检测通常类别极不平衡且漏检代价高，这意味着"准确率最高"的算法几乎注定是错的选择。我们先做任务画像，再匹配归纳偏好……

② "模型过拟合了！" → router 定位到结果诊断 → 派发 ml-diagnosis

你：训练精度 100%，验证集才 82%，是不是再多训几轮就好了？

agent：训练集满分在这里是红旗而不是捷报。用偏差-方差分解归因：训练/验证间隙大说明方差主导（背题了），再加轮数只会更糟。处方方向是降方差：更多数据、加强正则、早停，或接一个 Bagging 类集成。另注：过拟合无法彻底避免只能缓解（能根除就等于解决了 NP 难问题），目标是管理风险而非消灭它。

③ "准备上线了" → router 定位到横向审查 → 派发 ml-pitfall-audit

你：离线 AUC 0.99，下周上线。

agent：结果好得可疑时，先过六问前提审查再排期：①训练数据是无偏采样吗？②测试错误率是独立采样吗？③分布形式假设对吗？④……⑥这个 0.99 会不会是信息泄露？每问都有可观测的诊断信号和修正动作，三十秒审查换掉的是上线后的翻车归因。

④ "SVM 参数怎么选？" → router 定位到模型族施工 → 派发 ml-svm-playbook

你：我想上 SVM，核函数选哪个？C 和 gamma 怎么调？

agent：这几个参数不是并列问题，而是一条决策链。先问可分性：线性可分就不必上核；线性不可分但有噪声，软间隔把"全部做对"改成"总体代价最小"（这就是 C 的由来）；确需非线性表达才进入选核，RBF 是默认起点，此时 C（对错误的容忍度）与 γ（单样本影响半径）要在 log 尺度上联合扫——两者调大都会推向过拟合。最后还有一道规模闸门：SVM 训练开销随样本量超线性增长，几十万条数据先考虑线性模型或树集成再回来。

⑤ "想微调 LLaMA" → router 定位到大模型时代 → 派发 ml-pretraining-paradigm

你：我们想微调 LLaMA 做客服问答，直接全参微调行吗？

agent：先别跳到最高档。适配任务的手段是一个四档成本阶梯：提示工程（零训练）→ LoRA 等 PEFT（冻结原权重，千级数据即可）→ 全参微调（十万级以上才值得，且最容易把预训练能力冲掉）→ 从零预训练（绝大多数团队终生不需要）。正确顺序是先做提示工程与少样本基线：数据不足 1k 条时禁止直接微调。若最终走到微调，两条纪律提前立好——留一组通用能力回归测试检测灾难性遗忘；领域离预训练分布越远，才越有升档的理由。

⑥ "这个结论是因果关系吗？" → router 定位到专项进阶 → 派发 ml-causal-inference

你：我们分析了半年数据：开通会员的用户流失率 8%，没开通的 15%。所以会员功能能留住用户，下季度要大力推广？

agent：先别急着下结论——这是拿观测关联冒充因果的典型场景。"愿意开会员的用户"本身可能就是高意愿留存人群（混杂/自选择）。你的问题本质是干预问题（"开通会员会怎样"，即 do 层），预测模型消费的 P(Y|X) 回答不了它。可行路线：要么补一个随机分流的 A/B 实验（金标准），要么走观测路线——倾向得分匹配按"被处理的倾向"平衡可比组，并把全部不可检验假设显式摆上台面再谈效应大小……

纯代码实现问题（sklearn 语法、报错栈）不会被路由——直接回答，不走方法论流程。

🗂️ 39 个 Skill 全景

来源标注：🍉 西瓜书原文锚点·三重验证（原批）｜🌱 西瓜书池外补全·同规格验证（批A）｜📜 经典文献共识（批B；批D 的优化/CNN/RNN/AutoML-NAS/对齐 RLHF 同属此性质）｜🛠️ 工程实践共识（批C）；🌐 应用与交叉学科共识（批E 六个：因果推断/XAI/联邦隐私/RAG/多模态/MLOps——归入第四层"工程与交叉学科共识"，素材横跨统计学、博弈论、密码学与 ML 工程）

🧭 总控路由

Skill	一句话	典型触发语
ml-methodology-router 🍉	总入口：定位你卡在工作流哪一段再派发	任何 ML 决策类提问的第一站

📐 选型与评估设计

Skill	一句话	典型触发语
ml-task-matching 🍉	没有最强算法，只有匹配任务的算法（NFL → 刻画任务 → 匹配归纳偏好）	"该用什么模型""榜单第一能搬吗"
ml-evaluation-design 🍉	实验三层设计：切数据 · 选尺子 · 信比较	"留出还是交叉验证""高 0.5% 显著吗"
ml-llm-evaluation 📜	大模型评估：榜单是参照物不是成绩单；查污染、定 rubric、校正 judge 偏差	"榜单排名和实测为什么不一致""测试集是不是被污染了"

🔬 训练诊断与调参

Skill	一句话	典型触发语
ml-diagnosis 🍉	先分清病种再开药：偏差/方差/噪声归因	"过拟合怎么办""训练精度 100%！"
ml-overfitting-modern 📜	深度正则化工具箱与"gap≠过拟合"的新信号（Dropout/增强/AdamW/双下降甄别）	"Dropout 放哪层""训练 loss 为 0 但 gap 很大"
ml-deep-training-playbook 📜	训练不动按固定顺序逐层排除：数据管道→小样本过拟合→初始化归一化→学习率→优化器	"loss 不降""NaN""warmup 要不要加"
ml-hpo-strategy 🛠️	把调参预算花在会还债的地方：网格/随机/贝叶斯/Hyperband 四策略选型	"网格还是随机搜索""预算只够 N 次 trial"
ml-experiment-tracking 🛠️	实验可复现五元组：代码×数据×配置×环境×随机性全部钉住	"两次结果对不上""种子怎么管"

🌳 模型族施工手册

Skill	一句话	典型触发语
ml-neural-training 🌱	神经网络训练决策纪律：何时用 NN、结构怎么定、训不动怎么救	"该几个隐藏层""learning rate 怎么调"
ml-svm-playbook 🌱	SVM 决策链：可分性→硬/软间隔→核选型→C 与 γ 调优→规模可行性	"SVM 参数怎么选""选哪个核"
ml-clustering-toolkit 🌱	聚类选型与评估：距离先于算法、K 怎么定、轮廓系数怎么读	"聚类分几类""kmeans 还是 dbscan"
ml-multiclass-strategies 🌱	多分类拆解：OvO/OvR/ECOC 按大类数与纠错需求选路	"ovo ovr 区别""ECOC 码本设计"
ml-ensemble-design 🍉	集成设计：好而不同 · Boosting 降偏差 / Bagging 降方差	"多模型融合会更好吗""stacking 线上线下不一致"
ml-imbalanced-learning 🍉	类别不平衡：确认度量失守 → 再缩放三路线选路	"accuracy 99.9% 但召回为 0""SMOTE 有坑吗"
ml-bayesian-thinking 🍉	概率建模的假设纪律：分布形式先于参数、独立性档位、EM 与推断降级	"朴素贝叶斯假设不成立""EM 不收敛"
ml-graphical-models 🌱	概率图建模与推断路线：HMM 适用性、网结构怎么定、变分 vs MCMC	"变量依赖关系怎么建模""推断跑不动"
ml-rule-learning 🌱	"人能读懂"的 if-then 规则模型：适用判断与方法路线	"要可解释的规则""规则集频繁触发默认规则"
ml-rl-decision-loop 🌱	该不该用 RL、选哪条路线：有模型 vs 免模型、MC vs TD、Sarsa vs Q-learning	"reward 怎么设计""Q-learning 和 Sarsa 区别"
ml-semisupervised 🌱	标注太少时利用未标注数据的路线选型与安全纪律	"未标注数据怎么用""pseudo-label 掉点"

🗺️ 数据与特征

Skill	一句话	典型触发语
ml-dimensionality 🍉	高维困境：症状诊断 → 降维/特征选择/稀疏/度量学习四主线选路	"p≫n 怎么办""kNN 忽好忽坏"
ml-feature-engineering 🛠️	先切分再造特征，统计量只认训练折；数值/类别/时间/交叉四类字段决策树	"one-hot 还是目标编码""高基数怎么办"
ml-leakage-defense 🛠️	数据泄漏三大类型定位与事前防漏清单	"线下虚高线上暴跌""归一化在切分前还是切分后做"

🧠 大模型时代

Skill	一句话	典型触发语
ml-transformer-era 📜	架构选型按数据形态×规模×算力三轴匹配，反"Transformer 万能"	"CNN/RNN 还是 Transformer""位置编码有什么用"
ml-pretraining-paradigm 📜	预训练范式四档决策树：提示→PEFT→全参微调→从零，选最低够用档	"要不要自己训模型""LoRA 和全参微调怎么选"
ml-prompting-methodology 📜	提示即编程：few-shot 选择、CoT 边界、schema 约束、回归测试驱动迭代	"prompt 改来改去时好时坏"

🔬 数学与架构基础

Skill	一句话	典型触发语
ml-optimization-methods 📜	优化方法选型：凸性判定→一阶/二阶/拟牛顿→拉格朗日与 KKT 对偶→收敛曲线归因	"牛顿法还是梯度下降""KKT 条件有什么用""是不是陷局部最优了"
ml-cnn-vision 📜	卷积网络适用判断：归纳偏好匹配→组件链→ResNet 残差动机→ViT 后的先验重估	"该不该用 CNN""BN 放激活前还是后""为什么越深反而越差"
ml-rnn-sequence 📜	序列建模路线决策：任务定形→门控治时序梯度消失→RNN 系还是 Transformer	"LSTM 还是 GRU""seq2seq 长句崩塌""流式识别边缘部署"

🌐 应用与交叉学科

Skill	一句话	典型触发语
ml-alignment-rlhf 📜	对齐方法论：RLHF 三阶段、PPO vs DPO 路线裁决、奖励黑客识别、对齐税	"RLHF 怎么回事""模型学会讨好刷分了""base 和 chat 差在哪"
ml-automl-nas 📜	AutoML 与 NAS 适用判断：自动化的是选择，不是判断；代理指标偏差校准	"AutoML 靠谱吗""NAS 怎么回事""搜出来的架构训完不行"
ml-causal-inference 🌐	因果思维入门：三阶梯定位问题本质→混杂机制识别→RCT 或观测路线速览	"相关还是因果""这波增长该归功给谁""不做会怎样"
ml-explainability-xai 🌐	黑箱解释技术选型与正确用法：按动机定档→内在可解释 vs 事后解释→解释非因果	"SHAP 还是 LIME""两个方法排序不一致""监管要每个决定可解释"
ml-federated-privacy 🌐	隐私保护 ML 决策链：集中化资格判定→FedAvg 与 non-IID→威胁模型与 DP 预算	"数据不出域怎么建模""ε 设多少""模型会不会泄露训练样本"
ml-rag-systems 🌐	检索增强生成决策链：三路对比→切块/embedding/重排→检索生成分段评估归因	"RAG 还是长上下文""chunk 怎么切""明明文档里有却答错"
ml-multimodal 🌐	多模态建模决策：单模态够吗→融合三型选型→CLIP 对齐→消融检验真融合	"图文要不要都喂进去""early 还是 late fusion""CLIP 零样本原理"
ml-mlops-deployment 🌐	上线后生命周期纪律：skew 一致性检查→部署三策略→三层监控→再训练与回滚	"影子金丝雀 A-B 怎么选""PSI 阈值多少""什么时候该重训"

🛡️ 防御与理论

Skill	一句话	典型触发语
ml-pitfall-audit 🍉	上线前六问前提审查：无偏采样/独立采样/分布形式/误差独立/桥接假设/信息泄露	"线下好线上崩""结果好得可疑"
ml-theory-compass 🍉	把学习理论当提问框架：PAC 三问、容量刻度、MDL、替代损失	"需要多少数据才够""理论上说该信几分"

新手建议沿 INDEX.md 的推荐路径走一遍（router → task-matching → evaluation-design → diagnosis → 专项 → pitfall-audit 收尾）；老手按语言信号直取专项即可。

🧠 这套东西怎么造出来的

采用 cangjie-skill 的 RIA-TV++ 六阶段流水线，从原书 440 页出发，全程人工把关；2026-08 起以同一流水线与同一验收规格扩充至 39 个 skill：

graph LR
    subgraph ORIG["原批 · 西瓜书蒸馏（10 skills）"]
        A["原书 440 页<br/>22 docx · 16 章"] --> B["阶段1 · 5 提取器并行<br/>376 条候选"]
        B --> C["合并去重<br/>147 个独立单元"]
        C --> D["阶段1.5 三重验证<br/>V1 跨域 · V2 预测力 · V3 独特性"]
        D --> E["92 条通过<br/>55 条淘汰入 rejected/"]
        E --> F["RIA++ 构造<br/>97 处单元组装"]
    end
    subgraph EXT["增补 · 扩展至 28 skills（2026-08 v0.0.1）"]
        G["批A · 书内补全 ×8<br/>ch5/6/9/13/14/15/16 · 多分类主线"]
        H["批B · 经典文献共识 ×6<br/>Transformer/预训练/CoT/深训排障…"]
        I["批C · 工程实践共识 ×4<br/>泄漏/特征/复现/HPO"]
        J["+18 处扩展单元<br/>同规格三关复核"]
        K["阶段4 盲测<br/>252/252 通过"]
    end
    subgraph EPIC["史诗扩充 · 扩展至 39 skills（2026-08 v0.0.2）"]
        L["批D · 数学与架构基础 ×5<br/>优化方法/CNN/RNN/AutoML-NAS/对齐RLHF"]
        M["批E · 应用与交叉学科 ×6<br/>因果/XAI/联邦隐私/RAG/多模态/MLOps"]
        N["+11 处扩展单元<br/>文献与交叉学科共识, 同规格测试"]
        O["阶段4 盲测扩容<br/>351 条用例(39×9)"]
    end
    F --> G
    G --> J
    H --> J
    I --> J
    J --> K
    K --> L
    L --> N
    M --> N
    N --> O

Loading

流水线关键纪律：提取 ≠ 录取。原批的五路提取器（框架/原则/反例/案例/术语）各自动扫全书产出候选后，独立验证员对每条候选跑三道关卡——能否跨域复现（V1）、能否预测真实场景（V2）、是否只是常识包装（V3）——三条全过才录取，淘汰记录留档可查。批A 沿用同一套流程对阶段 1.5 池外补充单元做验证；批B/C 的主题不在书内，改为从奠基文献与业界公开共识构造，但 R 段逐条标注来源与转述性质，并通过与书内单元同规格的测试。批D/E 沿同一纪律：批D 补数学与架构基础（优化方法/CNN/RNN/AutoML-NAS/对齐 RLHF，素材为 Boyd & Vandenberghe、LeCun、He、Hochreiter、Elsken、Ouyang 等奠基文献），批E 补应用与交叉学科（因果推断/XAI/联邦隐私/RAG/多模态/MLOps，素材横跨统计学、博弈论、密码学与 ML 工程共识），R 段逐条标"（转述）"并带时代边界声明。

📊 验证漏斗

阶段	数量	明细
文本源	440 页 · ~367k 字符	22 个 docx 分块，16 章
五提取器候选	376 条	框架 44 + 原则 50 + 反例 51 + 案例 38 + 术语 193
合并去重后独立单元	147 个	框架/原则池 94→58；反例/案例池 89
三重验证通过	92 条（63%）	39 框架/原则 + 53 反例/案例；淘汰 55 条留档
组装进原批 10 skill	97 处单元引用	个别核心单元服务多个 skill（如偏差-方差）
批A · 书内补全	8 个新 skill	覆盖 ch5/6/9/13/14/15/16 及 ch3 多分类主线；素材单元为阶段 1.5 池外补充，R 引文逐字核对原文
批B · 文献共识	6 个新 skill	R 段转述 Vaswani/Kaplan/Devlin/Brown/Wei/Glorot/He/Srivastava/Belkin/Zheng/Liang 等奠基文献，逐条标"（转述）"
批C · 工程共识	4 个新 skill	scikit-learn 官方文档、Google《Rules of ML》、Hidden Technical Debt 等业界公开共识
扩展单元合计	+18 处	批A 池外补充 + 批B/C 文献/工程共识单元，同规格 V1/V2/V3 复核
盲测压测	252/252 通过	每 skill 9 题：4 trigger + 3 诱饵 + 2 边界（原批 90 + 增补 162）
v0.0.2 · 史诗扩充	+11 skill	批D 数学与架构基础 ×5 + 批E 应用与交叉学科 ×6：文献与交叉学科共识, 同规格测试（Boyd/Nocedal/LeCun/He/Hochreiter/Elsken/Ouyang/Rafailov/Pearl/Rubin/Ribeiro/Lundberg/McMahan/Kairouz/Lewis/Radford/Sculley 等），每 skill 配 9 条同规格盲测用例

其中 97 处单元来自西瓜书三重验证；批B/C/D/E 单元为文献、工程与交叉学科共识构造，但通过与书内单元同规格的测试关卡。盲测方法：盲测员只拿到 39 个 skill 的 name + description 目录（不接触期望答案与内部结构），对 351 条测试提示逐一选择应否触发及路由去向。判卷明细见各 skill 的 test-results.md。

⚠️ 边界声明

诚实地讲清四层来源各自的边界，正如每个 skill 自己的 B 段所要求的那样：

• 层一（西瓜书单元）的边界：原书成书于 2015–2016 年，i.i.d. 假设贯穿全书，对分布漂移、域适应只有只言片语（原书序言中李未院士已专门指出这一点）；教材体例还牺牲了对"多个技巧组合使用时的相互作用"的讨论。本层内容忠实于原书语境——涉及大模型时代的判断，请不要在本层内寻找答案，那是后续各层的辖区。
• 层二（批A 书内补全）的边界：与层一同源同规格——素材仍在书内但属阶段 1.5 池外补充，验证流程一致；同样受原书时代语境约束。
• 层三（批B/D 文献共识 + 批C 工程共识）的边界：R 段是对奠基文献的转述而非逐字原文（均标"（转述）"）；共识快照大体止于 2017–2023 年的方法论文献，此后的进展（MoE、长上下文的最新实践、多模态 agent 等）未收录；业界通行做法不是定理，具体工具载体（Hydra、Optuna、pip freeze）会过时。应当继承的是纪律内核——"统计量只认训练折"、"五元组钉住实验"、"归因未做不开搜"、"先判凸性与划算性再选方法"——而不是某个工具名。
• 层四（批E 应用与交叉学科共识）的边界：六个 skill 的主题横跨统计学（因果推断）、博弈论（SHAP）、密码学与隐私工程（联邦学习/DP）、检索与信息获取（RAG）、多模态感知与 ML 系统运维——这些领域本身仍在快速演化（DML/因果森林的适用条件之争、机械可解释性、个性化 FL、GraphRAG、LLM 监控维度），本层的结论是"截至共识快照时点的操作纪律"，执行时应核对最新实证；合规判断（GDPR/HIPAA 适用性）是法律问题，技术 skill 不能替代法律意见。

但反方向的辩护依然成立：凡进入严肃生产或科研的场景（医疗、工业、科研发现），样本昂贵、错误代价高——多层评估体系与偏差-方差思维依然是不可替代的基本功；而在大模型时代，"榜单分数是参照物不是成绩单"、"prompt 改动要过回归测试"、"相关不等于因果要先问机制"、"上线不是终点而是漂移的起点"这些新纪律，正是同一套怀疑与验证态度在新地形上的延续。它教的不是某个算法，而是对任何学习结果保持怀疑并科学验证的态度。

🙏 致谢

• 本仓库的主知识源是周志华所著《机器学习》（清华大学出版社，2016，"西瓜书"）。原批与批A 的所有书内引用版权归原书作者与出版社所有；本仓库是对其方法论结构的二次组织与工程化封装，用于学习与研究目的。
• 批B/C/D/E 的 R 段分别转述或引用自公开学术文献与业界文档：批B（Vaswani、Kaplan、Devlin、Brown、Wei、Glorot、He、Ioffe、Srivastava、Szegedy、Belkin、Zheng、Liang 等）、批C（scikit-learn 官方文档、Google《Rules of Machine Learning》、Hidden Technical Debt in Machine Learning Systems 等）、批D（Boyd & Vandenberghe《Convex Optimization》、Nocedal & Wright《Numerical Optimization》、LeCun LeNet-5、He ResNet、Hochreiter & Schmidhuber LSTM、Cho/Sutskever/Bahdanau 序列建模、Elsken NAS 综述、Zoph & Le、Feurer Auto-Sklearn、Christiano RLHF、Ouyang InstructGPT、Rafailov DPO 等）、批E（Pearl《Causality》/《The Book of Why》、Rubin 1974、Ribeiro LIME、Lundberg SHAP、McMahan FedAvg、Kairouz 联邦综述、Dwork 差分隐私、Lewis RAG、Radford CLIP、Sculley 技术债等），均已在使用处标注来源与转述性质。
• 若本仓库内容对你的工作有帮助，请同时引用原书：周志华. 机器学习. 北京：清华大学出版社，2016。
• 本仓库与原作者及出版社无隶属关系；发现引用与原出处不符请提 Issue 并附出处页码/链接。
• 流水线工具：cangjie-skill（拆书蒸馏）；测试兼容：darwin-skill；构建过程由 Claude Code 辅助完成。

📄 License

MIT © 2026 fieldlu