https://plumephp.com/posts/ml/Recent content in 机器学习入门：从知识结构全景到实战落地 on PlumePHPHugozh-CNWed, 07 Oct 2026 20:15:00 +0800https://plumephp.com/ml-gaussian-processes/Wed, 07 Oct 2026 20:15:00 +0800https://plumephp.com/ml-gaussian-processes/高斯过程是非参数贝叶斯模型，用核函数刻画函数先验，不仅能给出预测值，还天然给出预测的不确定性。本文从贝叶斯线性回归引出高斯过程、讲清均值函数与 RBF/Matern/周期核、后验预测的均值与方差、用边际似然优化超参数、GP 分类的拉普拉斯近似、O(n³) 复杂度与稀疏/诱导点近似，并给出 scikit-learn 实战及其与贝叶斯优化的联系。https://plumephp.com/ml-mlops-lifecycle/Wed, 07 Oct 2026 20:14:00 +0800https://plumephp.com/ml-mlops-lifecycle/把模型从 Notebook 推到生产并持续可靠运行，需要一整套工程与流程体系。本文讲清 MLOps 的成熟度分级、全生命周期七大阶段（数据、实验、训练、注册、部署、监控、重训）、数据与代码版本化、CI/CD/CT 流水线设计、Airflow/Kubeflow/Metaflow 编排选型、批/在线/流式部署模式与影子、金丝雀、A/B 策略、监控告警与回滚，以及模型卡与合规治理的组织落地。https://plumephp.com/ml-fairness-bias-mitigation/Wed, 07 Oct 2026 20:13:00 +0800https://plumephp.com/ml-fairness-bias-mitigation/模型会放大数据里的历史偏见，在信贷、招聘、医疗等场景造成真实伤害。本文讲清偏差的来源分类（历史/表示/测量/聚合/评估）、人口均等与机会均等等公平性定义及不可能定理、差异影响率与均等化几率等度量、Fairlearn 与 AIF360 的检测方法，以及预处理重加权、处理中正则与对抗去偏、后处理阈值调整三类缓解手段，并覆盖代理变量、法规合规与治理闭环。https://plumephp.com/ml-data-labeling-quality/Wed, 07 Oct 2026 20:12:00 +0800https://plumephp.com/ml-data-labeling-quality/模型效果的天花板由数据质量决定，而标注是数据质量的第一道关口。本文讲清标注任务设计与规范编写、分类/检测/序列标注/关系抽取等类型与工具选型、Cohen's Kappa 与 Krippendorff alpha 等一致性度量、黄金标准与多人仲裁等质控机制、主动学习与半监督降低标注成本、Snorkel 式弱监督、标注偏差与 RLHF 偏好标注，以及数据清洗与版本化治理的完整方法。https://plumephp.com/ml-bayesian-inference/Wed, 07 Oct 2026 20:11:00 +0800https://plumephp.com/ml-bayesian-inference/贝叶斯推断把参数视为随机变量，由先验与似然共同决定后验分布。本文讲清共轭先验（Beta-Binomial、Normal-Normal、Dirichlet）、MLE 与 MAP 的关系、后验预测分布、MCMC 采样（Metropolis-Hastings、Gibbs、NUTS）与 PyMC 实战，并覆盖贝叶斯网络、条件独立与 d-分离、朴素贝叶斯、变分推断 ELBO 及贝叶斯 A/B 测试落地。https://plumephp.com/ml-svm-kernel-methods/Wed, 07 Oct 2026 20:10:00 +0800https://plumephp.com/ml-svm-kernel-methods/支持向量机用最大间隔把分类问题写成凸二次规划，再借核技巧把线性不可分数据映射到高维求解。本文讲清硬间隔与软间隔、铰链损失与 C 参数、对偶问题与支持向量的含义、线性/多项式/RBF 核的差异与 gamma 调参、SVR 回归与多分类策略、核近似与大规模线性 SVM，并给出 scikit-learn 的完整实战流程与调参清单。https://plumephp.com/ml-federated-privacy-preserving/Sun, 04 Oct 2026 15:00:00 +0800https://plumephp.com/ml-federated-privacy-preserving/让数据不出域也能联合建模：联邦学习的基本流程与 FedAvg 聚合算法、客户端漂移与非 IID 数据带来的收敛难题及 FedProx/SCAFFOLD 解法、差分隐私 DP-SGD 的噪声机制与隐私预算、安全聚合如何让服务器只看到梯度和、横向/纵向/联邦迁移三种协作模式、隐私-效用权衡曲线，以及 FedML/Flower 框架与合规落地要点。https://plumephp.com/ml-speech-audio-processing/Sun, 04 Oct 2026 14:00:00 +0800https://plumephp.com/ml-speech-audio-processing/把声音变成可学习的数据：音频采样与频谱基础、MFCC 与梅尔谱特征提取、ASR 三大架构 CTC/RNN-T/注意力编码解码的对比、Whisper 端到端语音识别实战、TTS 声学模型与声码器（HiFi-GAN）流程、说话人识别的嵌入与验证、音频数据增强手段，以及 WER/MOS 等评测指标与工程落地要点。https://plumephp.com/ml-diffusion-generative-models/Sun, 04 Oct 2026 13:00:00 +0800https://plumephp.com/ml-diffusion-generative-models/从噪声中生成图像：DDPM 前向加噪与反向去噪的数学直觉、噪声调度与训练目标的推导、U-Net 与 DiT 两种骨干架构的取舍、潜在扩散如何用 VAE 把计算量降一个数量级、条件生成与 Classifier-Free Guidance、DDIM 等采样加速方法，以及 Stable Diffusion 文生图实战与 LoRA 微调全流程。https://plumephp.com/ml-multimodal-vision-language/Sun, 04 Oct 2026 12:00:00 +0800https://plumephp.com/ml-multimodal-vision-language/让模型同时看懂图和字：CLIP 对比学习与图文对齐的数学直觉、ViT 如何把图像变成 patch 序列、BLIP/LLaVA 类 VLM 的「视觉编码器 + 投影层 + LLM」三段式架构、三阶段训练流程与指令微调数据构造、分辨率与视觉 token 压缩策略、多模态评测基准，以及图文问答、文档理解等落地场景。https://plumephp.com/ml-llm-inference-serving/Sun, 04 Oct 2026 11:00:00 +0800https://plumephp.com/ml-llm-inference-serving/把大模型高效地服务出去：KV Cache 的显存账本与碎片问题、PagedAttention 的分页管理、连续批处理如何把吞吐拉高数倍、vLLM/TGI/SGLang 的选型对比、INT8/FP8/AWQ/GPTQ 量化部署、投机解码的加速原理、吞吐与延迟的权衡曲线，以及压测方法与容量规划公式。https://plumephp.com/ml-distributed-training-parallelism/Sun, 04 Oct 2026 10:00:00 +0800https://plumephp.com/ml-distributed-training-parallelism/从单卡到千卡集群的完整路线图：数据并行与 DDP 的梯度同步机制、all-reduce/all-gather 等通信原语、模型并行与张量并行切分方式、流水线并行的气泡与调度、ZeRO 三阶段与 FSDP 的显存账本、DeepSpeed 配置实战、梯度累积与混合精度配合，以及多机训练卡死、NCCL 超时、显存 OOM 的排错手册。https://plumephp.com/ml-causal-inference/Thu, 01 Oct 2026 12:00:00 +0800https://plumephp.com/ml-causal-inference/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。https://plumephp.com/ml-graph-neural-networks/Thu, 01 Oct 2026 12:00:00 +0800https://plumephp.com/ml-graph-neural-networks/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。https://plumephp.com/ml-llm-finetuning-practice/Thu, 01 Oct 2026 12:00:00 +0800https://plumephp.com/ml-llm-finetuning-practice/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。https://plumephp.com/ml-experiment-tracking/Thu, 01 Oct 2026 12:00:00 +0800https://plumephp.com/ml-experiment-tracking/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。https://plumephp.com/ml-rag-vector-search/Thu, 01 Oct 2026 12:00:00 +0800https://plumephp.com/ml-rag-vector-search/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。https://plumephp.com/ml-feature-store/Thu, 01 Oct 2026 12:00:00 +0800https://plumephp.com/ml-feature-store/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。https://plumephp.com/ml-model-compression-quantization/Wed, 30 Sep 2026 14:00:00 +0800https://plumephp.com/ml-model-compression-quantization/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。https://plumephp.com/ml-reinforcement-learning-intro/Wed, 30 Sep 2026 13:00:00 +0800https://plumephp.com/ml-reinforcement-learning-intro/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。https://plumephp.com/ml-multiclass-multilabel/Wed, 30 Sep 2026 12:00:00 +0800https://plumephp.com/ml-multiclass-multilabel/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。https://plumephp.com/ml-model-monitoring-drift/Wed, 30 Sep 2026 11:00:00 +0800https://plumephp.com/ml-model-monitoring-drift/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。https://plumephp.com/ml-pipelines-feature-selection/Wed, 30 Sep 2026 10:00:00 +0800https://plumephp.com/ml-pipelines-feature-selection/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。https://plumephp.com/ml-gradient-descent-optimizers/Wed, 30 Sep 2026 09:00:00 +0800https://plumephp.com/ml-gradient-descent-optimizers/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。https://plumephp.com/ml-automl-hpo/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-automl-hpo/AutoML 与超参自动调优实战：人工调参的痛点、网格/随机/贝叶斯搜索原理、Optuna 与 TPE 采样、早停与剪枝、并行搜索、特征自动选择、AutoML 工具（AutoGluon/FLAML）、端到端流水线与落地边界。https://plumephp.com/ml-nlp-basics/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-nlp-basics/从零构建 NLP 实战：文本预处理流水线、Bag-of-Words/TF-IDF 向量化、Word2Vec/GloVe 词嵌入、RNN 与 Transformer 结构、情感分析端到端（scikit-learn + PyTorch）、HuggingFace 生态。https://plumephp.com/ml-decision-tree/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-decision-tree/决策树与树模型实战：信息增益/基尼系数分裂准则、CART 树的构建过程、预剪枝与后剪枝、决策边界与可视化、回归树、树模型的优缺点与使用场景、sklearn 端到端实战。https://plumephp.com/ml-anomaly-detection/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-anomaly-detection/异常检测与不平衡学习实战：异常检测问题定义、统计方法（Z-score/IQR/MAD）、无监督方法（隔离森林/OneClassSVM/LocalOutlierFactor）、深度学习（AutoEncoder 重构误差）、类别不平衡处理（重采样/代价敏感/阈值）、评估与落地。https://plumephp.com/ml-recommender-systems/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-recommender-systems/系统覆盖推荐系统全流程：User-Item 矩阵、相似度计算、协同过滤（User/Item-based）、矩阵分解（SVD/ALS）、基于内容的推荐、召回-粗排-精排架构、评估指标（准确率/召回率/NDCG）与冷启动问题。https://plumephp.com/ml-time-series/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-time-series/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。https://plumephp.com/ml-model-interpretability/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-model-interpretability/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）。https://plumephp.com/ml-model-deployment/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-model-deployment/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。https://plumephp.com/ml-deep-learning-advanced/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-deep-learning-advanced/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。https://plumephp.com/ml-cv-basics/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-cv-basics/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。https://plumephp.com/ml-transfer-learning/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-transfer-learning/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。https://plumephp.com/ml-ensemble-learning/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-ensemble-learning/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。https://plumephp.com/ml-unsupervised-clustering/Sun, 27 Sep 2026 10:00:00 +0800https://plumephp.com/ml-unsupervised-clustering/用真实客户细分数据实战无监督学习：K-Means 原理与肘部法则选 k、层次聚类与谱系图、DBSCAN 处理不规则簇、PCA 主成分分析与降维可视化、t-SNE/UMAP 高维数据呈现，以及无监督结果的业务落地验证。https://plumephp.com/ml-python-environment-setup/Sun, 27 Sep 2026 10:00:00 +0800https://plumephp.com/ml-python-environment-setup/手把手搭建机器学习开发环境：Python 虚拟环境、Jupyter 生态、NumPy 数组计算、pandas 数据处理、Matplotlib 可视化与 Scikit-learn 安装，并给出常用命令速查与常见环境坑的解决方案，是零基础开始机器学习的第零课。https://plumephp.com/ml-model-evaluation/Sun, 27 Sep 2026 10:00:00 +0800https://plumephp.com/ml-model-evaluation/系统讲解机器学习模型评估与选择：训练/验证/测试集划分、交叉验证原理、偏差方差权衡与学习曲线、过拟合识别与缓解、网格搜索与随机搜索超参调优、模型对比与最终选型决策。https://plumephp.com/ml-feature-engineering/Sun, 27 Sep 2026 10:00:00 +0800https://plumephp.com/ml-feature-engineering/系统讲解特征工程全流程：数据清洗（缺失值/异常值/重复）、特征构造（数值/类别/文本/时间/组合特征）、编码技巧（独热/目标编码/嵌入）、特征选择（过滤/包裹/嵌入法），以及特征工程在真实业务数据上的完整实战与防泄漏纪律。https://plumephp.com/ml-supervised-regression/Sun, 27 Sep 2026 10:00:00 +0800https://plumephp.com/ml-supervised-regression/从最小二乘原理出发，用真实房价数据完整走一遍线性回归实战：一元与多元回归、多项式回归与过拟合、正则化（岭回归/Lasso）、模型评估指标（MSE/MAE/R²），并讲解数据标准化与交叉验证，是回归类机器学习问题的入门实战课。https://plumephp.com/ml-supervised-classification/Sun, 27 Sep 2026 10:00:00 +0800https://plumephp.com/ml-supervised-classification/用信用卡欺诈检测数据实战分类问题：逻辑回归与 Sigmoid 原理、混淆矩阵与评估指标（准确率/精确率/召回率/F1/AUC）、KNN 与决策树/随机森林对比、类别不平衡处理，以及分类问题的完整调参套路。https://plumephp.com/ml-neural-networks-basics/Sun, 27 Sep 2026 10:00:00 +0800https://plumephp.com/ml-neural-networks-basics/从神经元与感知机讲起，用 PyTorch 从零构建并训练第一个神经网络：张量与自动求导、前向传播与损失函数、反向传播直觉、优化器与训练循环、评估与预测，最后完整跑通 MNIST 手写数字识别。https://plumephp.com/machine-learning-knowledge-structure/Tue, 07 Jan 2025 12:04:35 +0800https://plumephp.com/machine-learning-knowledge-structure/以下是关于机器学习知识结构的详细介绍，包含书籍、课程、社区等资源的有效链接，供参考： 1.基础数学 机器学习依赖于数学基础，主要包括以下领域： - 线性代数 ：矩阵运算、特征值、特征向量、奇异值分解（SVD）等。