Category: AI & 机器学习 (AI & Machine Learning)

> **核心摘要**：模型部署上线绝非终点，真实世界数据分布随着时间不断演化。**MLOps & LLMOps** 建立了模型监控、自动化重训练与科学在线实验闭环。通过 **PSI (Population Stability Index)** 实时预警数据漂移 (Data Drift)，利用 **CUPED** 算法降

> **核心摘要**：在深度神经网络的训练过程中，**归一化 (Normalization)** 与 **正则化 (Regularization)** 是平滑 Loss 优化曲面、消除内部协变量偏移 (Internal Covariate Shift, ICS) 以及防御过拟合 (Overfitting) 的两大核心工

> **核心摘要**：随着大语言模型 (LLM) 参数量迈向千亿级，全参数微调 (Full Fine-Tuning) 的显存与计算开销变得不可承受。**高效参数微调 (Parameter-Efficient Fine-Tuning, PEFT)** 技术通过仅冻结预训练基座权重 $W_0$，仅训练极少量的增量参数（通常

> **核心摘要**：评估指标与数据预处理是连接模型输出与真实业务价值的数理基石。本指南全量整合 “ 中 9 大模块，涵盖分类评估（混淆矩阵、F-beta、Macro/Micro-F1、Hamming Loss）、搜索推荐排序评估（MRR、MAP、DCG/NDCG）、回归评估（MSE、RMSE、MAPE、$R^2$、

> **核心摘要**：统计推断是将带噪声的数据转化为经过校准的决策的学科，而假设检验是把证据转换为结论的引擎。本指南构建完整链路：常用分布族工具箱（正态、χ²、t、F、泊松、伯努利）；为大样本推断背书的**中心极限定理 (CLT)**；经由**极大似然估计 (MLE)** 与**矩估计**实现点估计并给出无偏性、一致性

> **核心摘要**：强化学习 (Reinforcement Learning, RL) 是研究智能体 (Agent) 在与动态环境交互过程中，如何通过试错 (Trial-and-Error) 学习最优策略 $pi(a|s)$ 以最大化累积折扣回报的数理科学。从经典表格型 Q-Learning 到结合深度神经网络的

> **核心摘要**:搜索与广告是同一漏斗的两面:理解用户意图 → 海量候选检索 → 按相关性(广告还需按期望收入)排序 → 在严格延迟预算内混排与投放。搜索侧,本指南覆盖 Query 理解、分布式倒排索引、Recall@K / MRR / NDCG 指标族与 Pointwise/Pairwise/Listwise 学

> **Core Executive Summary**: LLMs cannot query real-time APIs or execute code natively. **Tool Use** and **Function Calling** bridge this gap by enabling LLMs