Tag: module-m1
-
【AI 核心深度 M1-080】解释贝叶斯因子与假设检验的贝叶斯视角。（Explain Bayes Factors and the Bayesian Perspective on Hypothesis Testing）深度数理推导与工程落地解析
贝叶斯因子 = 两假设下数据的边际似然比；同时支持两个方向，不受’不能证明 H0’的限制。
-
【AI 核心深度 M1-081】解释 delta method 与它的适用条件。（Explain the Delta Method and Its Mathematical Conditions for Ratio Metric Asymptotic Variance）深度数理推导与工程落地解析
用一阶泰勒展开把统计量的方差近似为梯度×原方差；需要统计量可微且样本量足够。
-
【AI 核心深度 M1-082】解释 block bootstrap 与它在时间序列中的作用。（Explain Block Bootstrap and Its Vital Role in Preserving Dependent Time Series Autocorrelation）深度数理推导与工程落地解析
对连续块（而非单点）重采样，保留时间依赖结构；否则朴素 bootstrap 会破坏自相关。
-
【AI 核心深度 M1-083】解释分层随机化与它何时必要。（Explain Stratified Randomization in Experimental Design and When It Is Strictly Required）深度数理推导与工程落地解析
在已知的重要协变量层内独立随机化，保证各层内处理/对照平衡；小样本或强预测协变量时必要。
-
【AI 核心深度 M1-084】解释 switchback 实验与它的适用场景。（Explain Switchback Experiments and Their Applications in Marketplace and Two-Sided Delivery Platforms）深度数理推导与工程落地解析
在时间维度上交替切换处理/对照，适用于无法在个体层面随机化的场景（如定价、算法全量）。
-
【AI 核心深度 M1-085】解释网络效应/干扰下为什么个体随机化会失效，以及如何应对。（Explain Why Individual Randomization Fails Under Network Spillover/Interference and How Cluster Randomization Solves It）深度数理推导与工程落地解析
个体处理会影响他人（溢出），违反 SUTVA；用集群随机化、switchback 或专门的干扰感知设计。
-
【AI 核心深度 M1-086】解释触发器分析（Trigger Analysis）与它在实验中的应用。（Explain Trigger Analysis in Online Experiments and How It Enhances Statistical Power）深度数理推导与工程落地解析
只分析’实际受处理影响’的子群（被触发器激活的用户），提升功效并聚焦机制。
-
【AI 核心深度 M1-062】什么是条件期望与全期望公式（塔性质）？它在机器学习中如何应用？（Define Conditional Expectation and the Law of Total Expectation (Tower Property) with ML Applications）深度数理推导与工程落地解析
E[Y]=E[E[Y|X]]；先按 X 分组求期望再对 X 求期望，是分层/边缘化的核心工具。
-
【AI 核心深度 M1-063】解释对数正态分布与它的适用场景。（Explain the Log-Normal Distribution and Its Practical Industrial Applications）深度数理推导与工程落地解析
log(X) 服从正态；X 恒正且右偏，适合建模收入、价格、时长等非负右偏数据。
-
【AI 核心深度 M1-064】什么是指数族分布？为什么它在统计学习中重要？（Define the Exponential Family of Distributions and Why It Is Foundational to GLMs and Deep Learning）深度数理推导与工程落地解析
统一形式 f(y;θ)=exp[(yθ−b(θ))/a(φ)+c(y,φ)]；涵盖高斯/伯努利/泊松/Gamma 等，是 GLM 的基础。