特征平台与训练服务一致性：时间点正确性与特征回填
解决训练与线上推理特征不一致这一 MLOps 头号难题：特征定义与血缘管理、离线批计算与在线实时计算的一致性保障、时间点连接与特征回填的正确姿势、训练服务偏差的成因剖析，以及特征监控、质量校验与用 Feast 搭建平台的落地路径。
category
Ml
共 33 篇文章。
检索增强生成与向量检索实战：Embedding、HNSW 与重排
从零搭建一条可用的 RAG 链路：embedding 模型选型与中文适配、向量索引原理（HNSW 与 IVF-PQ 的取舍）、文本分块与混合召回、交叉编码器重排、端到端评测指标（命中率与忠实度），以及生产环境的常见坑与优化清单。
实验管理与可复现：MLflow、版本化与模型注册表
让每一次训练都可复现、可追溯、可对比：MLflow 的 Tracking 与 Projects 核心概念、参数指标产物的规范记录、数据与代码版本化策略、模型注册表与生命周期管理、实验对比与可视化，以及团队协作的落地规范与常见坑。
大模型微调实战：LoRA、QLoRA 与指令数据构造全流程
从原理到落地讲透大模型微调：LoRA 低秩适配与 QLoRA 4bit 量化的数学直觉、指令数据构造与 chat template 格式化、关键超参与显存账本、PEFT 训练循环、权重合并与 vLLM 部署，以及评测与灾难性遗忘的排查清单。
图神经网络入门实战：消息传递、GCN 与 GAT
从零理解图神经网络：图的表示与邻接矩阵、消息传递机制的通用范式、GCN 的谱图卷积一阶近似与归一化、GAT 的注意力加权聚合、节点分类与图分类的任务差异，并用 PyTorch Geometric 在 Cora 数据集上跑通完整训练。
因果推断与 A/B 实验：从潜在结果到双重差分
把相关关系升级为因果关系：潜在结果框架与 ATE/ATT 的定义、DAG 与混杂因子识别、倾向得分匹配与逆概率加权的实现、双重差分与合成控制的适用条件，以及 A/B 实验的设计要点（样本量、随机化、多重比较）与结果分析方法。
模型压缩与推理优化实战：量化、剪枝与知识蒸馏
模型压缩与推理优化实战：为什么大模型要压缩、量化原理（PTQ/QAT、INT8/FP16）、剪枝（非结构化/结构化）、知识蒸馏（软标签/温度）、低秩分解、混合部署与量化感知训练、压缩的效果度量与选型、生产落地与常见陷阱。
强化学习入门实战：MDP、Q-learning 与 DQN 概览
强化学习入门实战：与监督学习区别、MDP 五要素、策略与价值函数、奖励设计、动态规划（策略迭代/值迭代）、蒙特卡洛、时序差分与 Q-learning、表格 Q 表实战、DQN 与经验回放、探索与利用、经典环境实战、常见陷阱。
多分类与多标签学习实战：OvR、softmax 与多输出评估
多分类与多标签学习实战：二分类到多分类、OvR/OvO 策略、softmax 与交叉熵、多标签分类（问题转换/链式/原生）、多输出回归、多分类评估指标（macro/micro/weighted）、不均衡多分类、多标签阈值调优、工程落地与常见陷阱。
模型监控与数据漂移检测：PSI、KS 与概念漂移实战
模型上线后的监控与漂移检测实战：为什么离线评估不够、数据漂移/概念漂移/预测漂移三类漂移、PSI 群体稳定性指数、KS 与 KL 散度、漂移检测的信号源与阈值、反馈回路与重训策略、监控面板与告警、可观测性工程落地、常见陷阱。
机器学习流水线与特征选择实战：Pipeline、SelectKBest 与递归消除
机器学习流水线与特征选择实战：scikit-learn Pipeline 组合、ColumnTransformer 异构数据、特征选择三大类（过滤/包裹/嵌入）、SelectKBest 与统计检验、RFE 递归消除、正则化特征选择、特征选择防泄漏、Pipeline 与交叉验证、生产落地与调试。
梯度下降与优化器实战：SGD、Momentum、Adam 的原理与选择
梯度下降与深度学习优化器实战：梯度下降的直觉与收敛、学习率的角色、SGD 与批大小、Momentum 指数加权、AdaGrad/RMSProp 自适应、Adam 与 AdamW、学习率调度、优化器选择矩阵、优化器的工程实践与调试。
集成学习实战：Bagging、随机森林、梯度提升与 Stacking
集成学习实战全流程：偏差方差视角的集成动机、Bagging 与随机森林、AdaBoost 到 GBDT 的梯度提升思想、XGBoost/LightGBM 工程实践、Stacking 与 Blending 进阶融合、sklearn 端到端实战。
迁移学习实战：预训练模型、特征提取与微调全流程
迁移学习实战：什么是迁移学习、预训练模型生态（ImageNet/HuggingFace）、冻结与微调策略、特征提取 vs 微调的选择、学习率分层、适配层设计、CNN 与 Transformer 迁移、完整微调代码流水线。
计算机视觉入门实战：图像处理与 CNN 图像分类
从零实战计算机视觉：图像数据表示、OpenCV 预处理（缩放/归一化/增强）、CNN 图像分类（PyTorch CIFAR-10）、经典网络（ResNet）、目标检测/分割概览、迁移学习与部署。
深度学习进阶：CNN、RNN、正则化与训练调参实战
从 MLP 走向深度学习的进阶实战：CNN 卷积网络结构、RNN/LSTM 序列建模、Dropout/BatchNorm/数据增强正则化、优化器演进（SGD/Adam）、学习率调度、迁移学习，PyTorch 训练 CIFAR 全流程。
模型部署与 MLOps：ONNX、FastAPI、Docker 与监控
系统覆盖 ML 模型上线：ONNX 导出跨框架、FastAPI 推理服务、Docker 容器化、批处理 vs 在线推理、A/B 测试、模型版本与回滚、监控告警、MLOps 全流程。
模型可解释性实战：特征重要性、SHAP、LIME 与业务落地
模型可解释性实战：全局与局部解释、特征重要性（内置/置换）、PDP 部分依赖图、SHAP 原理与 TreeSHAP、LIME 局部解释、反事实解释、可解释性与业务落地（风控合规/调试/信任）。
机器学习入门：从知识结构全景到实战落地
机器学习是人工智能的核心分支，让计算机从数据中自动发现模式并做出预测。本专题从知识结构全景导航出发，提供零基础到实战落地的完整路径：环境搭建（Python/NumPy/pandas/Jupyter）、监督学习（线性回归/分类算法）、无监督学习（聚类/降维）、特征工程（清洗/构造/编码/选择/防泄漏）、模型评估（交叉验证/偏差方差/调参）、神经网络（PyTorch 实战 MNIST/CIFAR），以及深度学习进阶（CNN/RNN/LSTM）、NLP 与 CV 实战、时间序列预测、推荐系统、模型部署与 MLOps，并延伸到高级模型工程：决策树与树模型（分裂准则/剪枝）、集成学习（Bagging/随机森林/梯度提升/Stacking）、AutoML 与超参自动调优（Optuna/贝叶斯优化）、模型可解释性（SHAP/LIME/PDP）、迁移学习（预训练模型/特征提取/微调）与异常检测（隔离森林/AutoEncoder/不平衡学习），并深入模型工程与前沿方向：梯度下降与优化器（SGD/Momentum/Adam/AdamW/学习率调度）、机器学习流水线与特征选择（Pipeline/ColumnTransformer/SelectKBest/RFE/防泄漏）、模型监控与数据漂移（PSI/KS/概念漂移/重训闭环）、多分类与多标签学习（OvR/softmax/宏微平均/阈值调优）、强化学习入门（MDP/Q-learning/DQN）、模型压缩与推理优化（量化/剪枝/知识蒸馏/低秩分解），帮助从入门到进阶建立完整的机器学习实战能力。
时间序列预测实战：ARIMA、Prophet 与 LSTM
系统覆盖时间序列预测：平稳性检验、ACF/PACF 分析、经典方法（移动平均/指数平滑/ARIMA）、Prophet 自动预测、LSTM 深度学习时序、特征工程与评估（RMSE/MAE）、实战对比。