机器学习 Alpha 建模
机器学习 Alpha 建模的工程方法论：从线性因子到非线性模型的取舍、特征工程与截面标准化、标签构造与三重障碍法、时序交叉验证与 purging embargo、正则化与模型族选择、PBO 过拟合度量、模型衰减与再训练节奏，以及从预测到组合的衔接。
tag
机器学习
共 16 篇文章。
Nix 中的 CUDA 与机器学习环境：cudaPackages 与 PyTorch
Nix 中的 CUDA 与机器学习环境实战：GPU 环境为什么难（驱动/运行时/库三方版本约束）、nixpkgs 的 cudaPackages 布局、驱动与 cudatoolkit 的版本匹配、GPU 开发 shell 搭建、PyTorch 打包与 Python 生态、版本匹配矩阵与常见错配、容器镜像部署、cudaCapabilities 编译加速与多 GPU、常见坑与排错清单。
Zig 机器学习推理：张量、GEMM 与 int8 量化
用 Zig 从零实现一个可用的神经网络推理引擎：张量表示与 NCHW 内存布局、分块加 SIMD 的 GEMM 内核、激活函数与 softmax 的数值稳定实现、im2col 卷积、int8 对称量化与整数 GEMM，以及 ONNX 模型加载思路与与 Python 训练侧的对接方式。
.NET 机器学习实战
讲解在 .NET 生态中落地机器学习的方法，涵盖 ML.NET 训练管线、模型评估与调参、ONNX Runtime 高性能推理、模型部署与版本管理，以及与 Python 生态的协作方式。
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。
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。并补齐支持向量机与核方法、贝叶斯推断与概率图模型、数据标注质量治理、公平性与偏差缓解、MLOps 全生命周期、高斯过程等进阶议题。
异常检测实战：统计方法、隔离森林、AutoEncoder 与不平衡学习
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。
决策树与树模型基础：分裂准则、剪枝与可视化
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。
AutoML 与超参自动调优：Optuna、搜索策略与端到端流水线
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。
特征存储（Feature Store）架构：从一致性到在线检索的完整实践
深入解析特征存储（Feature Store）的架构与实践：特征平台核心概念、训练服务一致性（Training-Serving Skew）、特征注册与管理（FeatureView/版本）、在线离线存储（Redis/向量检索）、批流特征计算管道、Feast 与定制方案对比、特征血缘与监控，以及推荐系统端的完整实战案例。
01. 机器学习基础概论
机器学习核心概念、三大范式、模型评估指标、过拟合与正则化、特征工程入门
AI智能短链接跳转系统：个性化路由、意图识别与实时优化
AI驱动的智能短链接跳转系统深度解析。涵盖用户意图识别、个性化落地页推荐、动态A/B测试引擎、 实时转化率优化，以及可落地的规则引擎与ML模型架构。
机器学习的知识结构
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。
机器学习的学习计划
为有编程基础的学习者设计 12 个月机器学习学习计划，覆盖数学基础、Python、经典算法、深度学习、项目实践、工具选择、评估方法和求职作品集。