AirSOTA
Air School of Thoughts AtoZAirSOTA 知识矩阵：聚合大模型算法架构、科学育儿情境成长、加州地产考牌实战与全球数字化商业出海的权威专栏。
TalentMe · AI 学习与系统架构
工业级 AI 算法核心 69 题、前沿大模型系统架构演进与北美技术面试全流程备考深度长文。
【AI 核心深度 M2-015】解释早停（early stopping）为什么等价于某种正则化。（Explain Why Early Stopping is Mathematically Equivalent to L2 Regularization）深度数理推导与工程落地解析
限制参数从初始点出发的’有效搜索半径’，与 L2 约束的可行域类似。
【AI 核心深度 M2-016】数据增强作为正则化手段的原理是什么？举例说明。（Explain the Principles of Data Augmentation as a Regularization Technique with Concrete Examples）深度数理推导与工程落地解析
通过构造保持标签不变的新样本，扩充有效数据分布，降低方差、提升不变性。
【AI 核心深度 M2-017】如何用学习曲线诊断高偏差与高方差？（Detail How to Diagnose High Bias vs. High Variance Using Learning Curves and Remediation Strategies）深度数理推导与工程落地解析
训练与验证误差都高且接近 → 高偏差；训练低、验证高且差距大 → 高方差。
【AI 核心深度 M2-018】比较 K 折交叉验证、留一法（LOO）与留出法的取舍。（Compare K-Fold Cross-Validation, Leave-One-Out (LOO), and Holdout Splits in Bias, Variance, and Compute）深度数理推导与工程落地解析
K 折平衡偏差与计算；LOO 偏差最小但方差大且昂贵；留出法快但方差大。
【AI 核心深度 M2-019】解释嵌套交叉验证，它解决了什么问题。（Explain Nested Cross-Validation and How It Resolves Hyperparameter Selection Optimism Bias）深度数理推导与工程落地解析
外层评估性能、内层调参；避免用同一份数据调参又评估造成的乐观偏差。
【AI 核心深度 M2-020】解释双重下降（double descent）现象。（Explain the Double Descent Phenomenon in Modern Machine Learning）深度数理推导与工程落地解析
模型复杂度超过插值阈值后，测试误差先升后降；与经典 U 型曲线不同。
【AI 核心深度 M2-021】什么是模型选择中的’选择性偏差’？如何避免。（Define Selection Bias in Model Selection and How to Prevent Leakage in Predictive Pipelines）深度数理推导与工程落地解析
在大量模型/超参中挑验证集最好的，会高估真实性能；需用独立测试集或嵌套 CV。
【AI 核心深度 M2-022】解释决策树的分裂准则（信息增益 / 基尼不纯度）。（Explain Decision Tree Splitting Criteria: Information Gain, Gain Ratio, and Gini Impurity）深度数理推导与工程落地解析
选择使子节点不纯度下降最多的特征；ID3 用信息增益，CART 用基尼。
【AI 核心深度 M2-023】决策树如何防止过拟合？列出主要手段。（Detail Pre-Pruning and Post-Pruning Strategies to Prevent Overfitting in Decision Trees）深度数理推导与工程落地解析
预剪枝（最大深度/最小样本/最小增益）+ 后剪枝（代价复杂度）+ 集成。
【AI 核心深度 M2-024】决策树为什么不需要特征缩放？它的归纳偏置是什么。（Explain Why Decision Trees are Invariant to Monotonic Transformations and Their Inductive Bias）深度数理推导与工程落地解析
分裂基于阈值比较，对单调变换不敏感；归纳偏置是轴平行分割，难以建模线性/旋转关系。
【AI 核心深度 M2-025】解释树的偏差-方差特性，以及为什么单棵树容易过拟合。（Explain the Bias-Variance Profile of Decision Trees and Why Individual Trees Suffer from High Variance）深度数理推导与工程落地解析
深树低偏差高方差（对训练数据扰动敏感）；浅树高偏差低方差。
【AI 核心深度 M2-026】如何处理缺失值与类别特征？对比常见做法。（Compare Industrial Strategies for Handling Missing Values and Categorical Features in Tree Models）深度数理推导与工程落地解析
缺失值可用代理分裂（CART）、按缺失率分流、或缺失指示变量；类别特征可用 one-hot、目标编码、或原生类别分裂（LightGBM/CatBoost）。
【AI 核心深度 M1-087】解释如何评估实验的长期效应（超越短期指标）。（Explain Methodologies for Measuring Long-Term Treatment Effects Beyond Short-Term Metrics）深度数理推导与工程落地解析
用长期 holdout、反向实验、DID/合成控制或指标代理；短期与长期效应常不一致。
【AI 核心深度 M1-088】解释断点回归（RDD）与它的关键假设。（Explain Regression Discontinuity Design (RDD) and Its Core Continuity Assumption）深度数理推导与工程落地解析
利用某个连续变量在阈值处的’跳跃’识别因果；关键假设是阈值附近个体除处理外无系统性差异。
【AI 核心深度 M1-089】解释合成控制法（Synthetic Control）的思路与适用场景。（Explain the Synthetic Control Method and Its Application in Geo-Testing and Policy Evaluation）深度数理推导与工程落地解析
用多个未处理单位的加权组合构造’合成对照’，拟合处理单位处理前的轨迹；适用于单一处理单位。